Patterns of Error in Interpretive Pathology
Notice bibliographique
Résumé
OBJECTIVES: To demonstrate how the educational presentation and targeted review of cases with discrepant interpretive findings between pathologists can raise awareness for specific diagnostic errors through identification of common overarching patterns of error in interpretive pathology. METHODS: We performed a review of 147 surgical pathology and cytopathology cases of discordances from 23 PowerPoint presentations presented between 2010 and 2017. Pathologists and pathology residents, blinded from the official interpretations, were presented each case and surveyed for their own diagnostic assessments. Survey results were compared with the final/correct interpretations of the signing pathologists. RESULTS: Of the 134 cases with available survey results, there were 87 (64.9%) for which most survey respondents proposed a diagnostic interpretation concordant with the final/correct diagnosis. There were 37 (27.6%) cases for which most survey responses were either wholly or partially discordant with the final/correct diagnosis. For 10 (7.5%) cases, there were equal numbers of concordant and discordant survey responses. CONCLUSIONS: Our analyses of the cases with frequent erroneous diagnoses reveal common patterns of error that are widely applicable and outline specific error-prone interpretive tendencies. Greater awareness for these tendencies, highlighted by presentation of discordant cases, can improve the quality of diagnostic pathology services.
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 | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,004 |
| 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 ».