Efficacy, Feasibility, and Safety of Endoscopic Ultrasound-guided Fine-needle Biopsy for the Diagnosis of Gastrointestinal Subepithelial Lesions
Notice bibliographique
Résumé
BACKGROUND: Endoscopic ultrasound (EUS) fine-needle biopsy (FNB) has become an efficient method for diagnosing gastrointestinal (GI) subepithelial lesions (SELs). However, recent guidelines have not regarded FNB as the primary strategy for diagnosing GI SELs. We performed this study to systematically measure the efficacy, feasibility, and safety of EUS-FNB in diagnosing GI SELs. MATERIALS AND METHODS: Relevant studies were searched in PubMed and EMBASE and published after January 2015 were included. The overall rates of diagnostic yield, technical success, and adverse events were calculated as outcome measures. The Jadad scale and the Newcastle-Ottawa scale were used to evaluate the quality of the trials, funnel plots and Egger's test were used to measure publication bias, and sensitivity and subgroup analyses were performed to explore the variance of heterogeneity and sensitivity, respectively. RESULTS: Sixteen studies analyzing 969 patients between 2015 and 2020 were included. Studies showed little change in sensitivity, and 13 were considered high quality. A certain degree of publication bias existed in the diagnostic accuracy rate. The overall rates of diagnostic yield, technical success, and adverse events were [85.69% (95% confidence interval (CI): 82.73-88.22, I2=41.8%), 98.83% (95% CI: 96.73-99.97, I2=54.3%), and 1.26% (95% CI: 0.35-2.54, I2=0.0%)]. No clinical influencing factors were identified in the subgroup analysis. CONCLUSIONS: EUS-FNB is a promising technology with a relatively superior diagnostic yield, technical success, and security, which is an optimal option for the diagnosis of SELs.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».