Multivariable models for advanced colorectal neoplasms in screen-eligible individuals at low-to-moderate risk of colorectal cancer: towards improving colonoscopy prioritization.
Notice bibliographique
Résumé
BACKGROUND: Advanced colorectal neoplasms (ACNs), including colorectal cancers (CRC) and high-risk adenomas (HRA), are detected in less than 20% of persons aged 50 years or older who undergo colonoscopy. We sought to derive personalized predictive models of risk of harbouring ACNs to improve colonoscopy wait times for high-risk patients and allocation of colonoscopy resources. METHODS: We characterized colonoscopy indications, neoplasia risk factors and colonoscopy findings through chart review for consecutive individuals aged 50 years or older who underwent outpatient colonoscopy at The Ottawa Hospital (Ottawa, Canada) between April 1, 2008 and March 31, 2012 for non-life threatening indications. We linked patients to population-level health administrative datasets to ascertain additional historical predictor variables and derive multivariable logistic regression models for risk of harboring ACNs at colonoscopy. We assessed model discriminatory capacity and calibration and the ability of the models to improve colonoscopy specificity while maintaining excellent sensitivity for ACN capture. RESULTS: We modelled 17 candidate predictors in 11,724 individuals who met eligibility criteria. The final CRC model comprised 8 variables and had a c-statistic value of 0.957 and a goodness-of-fit p-value of 0.527. Application of the models to our cohort permitted 100% sensitivity for identifying persons with CRC and > 90% sensitivity for identifying persons with HRA, while improving colonoscopy specificity for ACNs by 23.8%. CONCLUSIONS: Our multivariable models show excellent discriminatory capacity for persons with ACNs and could significantly increase colonoscopy specificity without overly sacrificing sensitivity. If validated, these models could allow more efficient allocation of colonoscopy resources, potentially reducing wait times for those at higher risk while deferring unnecessary colonoscopies in low-risk individuals.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».