A 9-Year Teledermoscopy Service: Retrospective Service Review
Notice bibliographique
Résumé
Background A teledermoscopy service was established in January 2010, where patients attended nurse-led clinics for imaging of lesions of concern and remote diagnosis by a dermatologist. Objective The study aimed to review the number of visits, patient characteristics, the efficiency of the service, and the diagnoses made. Methods We evaluated the waiting time and diagnosis of skin lesions for all patient visits from January 1, 2010, to May 31, 2019. The relationships between patient characteristics and the diagnosis of melanoma were specifically analyzed. Results The teledermoscopy clinic was attended by 6479 patients for 11,005 skin lesions on 8805 occasions. Statistically significant risk factors for the diagnosis of melanoma/melanoma in situ were male sex, European ethnicity, and Fitzpatrick skin type 2. Attendance was maximal during 2015 and 2016. The seasonal variation in visits 2011-2018 revealed a consistent peak at the end of summer and a dip at the end of winter. In the year 2010, 306 patients attended; 76% (233/306) of these were discharged to primary care and 24% (73/306) were referred to hospital for specialist assessment. For patients diagnosed by the dermatologist with suspected melanoma from January 1, 2010, to May 31, 2019, the median waiting time for an imaging appointment was 44.5 days (average 57.9 days, range 8-218 days). The most common lesions diagnosed were benign naevus (2933/11,005, 27%), benign keratosis (2576/11,005, 23%), and keratinocytic cancer (1707/11,005, 15%); melanoma was suspected in 5% (507/11,005) of referred lesions (Multimedia Appendix 1). The positive predictive value of melanoma/melanoma in situ was 61.1% (320 true positives and 203 false positives). The number needed to treat (ie, the ratio of the total number of excisions to the number with a histological diagnosis of melanoma/melanoma in situ) was 2.02. Conclusions Diagnoses were comparable to the experience of other teledermoscopy services. Teledermoscopy using a nurse-led imaging clinic can provide efficient and convenient access to dermatology by streamlining referrals to secondary care and prioritizing patients with skin cancer for treatment. Conflicts of Interest None declared.
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 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) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».