MétaCan
Menu
Retour à la cohorte
Enregistrement W3097749946

Diagnostic accuracy and economic impact of three work-up strategies identifying risk groups in endometrial cancer, fully incorporating sentinel lymph node algorithm.

2020· article· en· W3097749946 sur OpenAlexaff
Antonio Novelli, Andrea Puppo, Marcello Ceccaroni, E Olearo, Giorgia Monterossi, Giulia Mantovani, Silvia Pelligra, P L Olearo, Francesco Fanfani, Giovanni Scambia

Notice bibliographique

RevuePubMed · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueEndometrial and Cervical Cancer Treatments
Établissements canadiensRegina General Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicineEndometrial cancerWork-upGynecologic oncologyMagnetic resonance imagingRadiologyBreast cancerSentinel lymph nodeSentinel nodeLymph nodeCancerAlgorithmSurgeryInternal medicine
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: According to the European Society for Medical Oncology/ European Society of Gynaecological Oncology/European Society for Radiotherapy and Oncology (ESMO/ESGO/ESTRO) Consensus Conference, the role of preoperative risk groups (RGs) in endometrial cancer (EC) is to direct surgical nodal staging. We compared diagnostic accuracy and economic impact of three work-up strategies to identify RGs. METHODS: A retrospective multicentre study including patients with early-stage EC. The three different work-up strategies were as follows:-Mondovì Hospital: transvaginal ultrasonography, pelvic magnetic resonance imaging (MRI); frozen section examination of the uterus in case of imaging discordance. High-risk patients underwent abdominal computed tomography.-Gemelli Hospital: transvaginal ultrasonography, MRI, One-Step Nucleic Acid Amplification (OSNA) of sentinel lymph node (SLN); frozen section examination of the uterus in case of imaging discordance.-Negrar Hospital: positron emission tomography (PET), frozen section examination of the uterus and of SLN. For statistical purposes patients were assigned, preoperatively and postoperatively, to two groups: group A (high-risk) and group B (not high-risk). RESULTS: Three hundred eighty-five patients were included (93 Mondovì, 215 Gemelli, 77 Negrar). Endometrial biopsy errors led to 47.3% misclassifications. Test accuracy of Mondovì, Gemelli and Negrar strategies was 0.83 (95%CI 0.734-0.901), 0.95 (95%CI 0.909-0.975) and 0.94 (95%CI 0.866-0.985), respectively. Preoperative work-up mean cost per patient in group A was €514.5 at Mondovì, €868.5 at Gemelli, and €1212.8 at Negrar hospital (p-value < 0.001), while in group B was €378.8 at Mondovì, €941.2 at Gemelli, and €1848.4 at Negrar hospital (p-value < 0.001). CONCLUSIONS: In our study, work-up strategies with more relevant economic impact showed a better diagnostic accuracy. Upcoming guidelines should specify recommendations about the gold standard work-up strategy, including the role of SLN.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,034
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,053

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,034
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,302
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePubMedMême sujetEndometrial and Cervical Cancer TreatmentsTravaux en français237 207