Missed Breast Cancer: Effects of Subconscious Bias and Lesion Characteristics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Medical errors are a substantial cause of morbidity and mortality and the third leading cause of death in the United States. Errors resulting in missed breast cancer are the most common reason for medical malpractice lawsuits against all physicians. Missed breast cancers are breast malignancies that are detectable at retrospective review of a previously obtained mammogram that was prospectively reported as showing negative, benign, or probably benign findings. Investigators in prior studies have found that up to 35% of both interval cancers and screen-detected cancers could be classified as missed. As such, in conjunction with having awareness of the most common misleading appearances of breast cancer, it is important to understand the cognitive processes and unconscious biases that can impact image interpretation, thereby helping to decrease the number of missed breast cancers. The various cognitive processes that lead to unconscious bias in breast imaging, such as satisfaction of search, inattention blindness, hindsight, anchoring, premature closing, and satisfaction of reporting, are outlined in this pictorial review of missed breast cancers. In addition, strategies for reducing the rates of these missed cancers are highlighted. The most commonly missed and misinterpreted lesions, including stable lesions, benign-appearing masses, one-view findings, developing asymmetries, subtle calcifications, and architectural distortion, also are reviewed. This information will help illustrate why and how breast cancers are missed and aid in the development of appropriate minimization strategies in breast imaging. ©RSNA, 2020
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle