A153 STRATEGIES TO DISTINGUISH PERIANAL FISTULAS RELATED TO CROHN’S DISEASE FROM CRYPTOGLANDULAR DISEASE: SYSTEMATIC REVIEW WITH META-ANALYSIS
Notice bibliographique
Résumé
Abstract Background Differentiating between perianal fistulas related to cryptoglandular disease (CGD) and Crohn’s disease (CD) is essential to guide disease specific management. Aims We aimed to assess the ability of diagnostic strategies to differentiate between CD from CGD in patients with perianal fistulas. Methods We performed a diagnostic accuracy systematic review and meta-analysis. Electronic databases (MEDLINE, Embase, Web of Science, CENTRAL) were systematically searched from inception through February 2021 for studies that assessed a diagnostic test’s ability to distinguish fistula types. We calculated weighted summary estimates with 95% confidence intervals for sensitivity and specificity by bivariate analysis, using fixed effects models when data was available from two or more studies. The QUADAS tool was used to assess study quality. Results Twenty-one studies were identified and included: clinical symptoms (2 studies; n = 154 patients), MRI characteristics (3 studies; n = 296 patients), ultrasound characteristics (7 studies; n = 1003 patients), video capsule endoscopy (2 studies; n = 44 patients), fecal calprotectin (1 study; n = 56 patients) and various biomarkers (8 studies; n = 440 patients). MRI and ultrasound characteristics had the most robust data. Rectal inflammation, multiple-branched fistula tracts and abscesses on pelvic MRI, and the Crohn’s Ultrasound Fistula Sign, fistula debris and bifurcated fistulas on pelvic ultrasonography had high specificity (range, 80–95% vs. 89–96%) but poor sensitivity (range, 17–37% vs. 31–63%), respectively. Fourteen of twenty-one studies had risk of bias on at least one of the QUADAS domains. Conclusions Limited high-quality evidence suggest that imaging characteristics may help discriminate CD from CGD in patients with perianal fistulas. Larger, prospective studies are needed to confirm these findings and to evaluate if combining multiple diagnostic tests can improve diagnostic sensitivity. Funding Agencies None
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 | 0,025 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,022 | 0,050 |
| Bibliométrie | 0,014 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».