Does Double Reading of Screening Breast MRI Scans Impact Recall Rates and Cancer Detection?
Notice bibliographique
Résumé
Objective: To investigate the effect of double reads by a second radiologist on cancer detection rate (CDR), positive predictive value of recommendation for tissue diagnosis (PPV2), and the positive predictive value of biopsy performed (PPV3) for biopsy recommendations in high-risk screening breast MRIs. Methods: The policy of second reads on biopsies recommended for MRIs was prospectively implemented in October 2019. This IRB approved retrospective analysis compared consecutive high-risk screening breast MRI scans performed in a single academic institution between 06/01/2018 to 06/01/2019 (pre-intervention) with screening breast MRI scans performed between 10/31/2019 to 10/31/2020 (post-intervention). Pathology results after biopsy were recorded. Testing of association was performed using the Chi-square test. Results/Discussion: A total of 1124 screening breast MRIs in the pre-intervention and 1672 screening breast MRIs were performed in the post-intervention periods. Biopsies were recommended in 8.6% (97/1124) of pre-intervention and 5.5% (92/1672) of post-intervention MRIs ( P = .0012). There was a non-significant increase in PPV2 from pre-intervention 10.3% (10/97) to post-intervention 18.4% (17/92) ( P = .109) and in PPV3 from 14% (10/71) to 22.9% (17/74), respectively ( P = .17). Similar cancer detection rates, 8.9/1000 (10/1124) and 10.2/1000 (17/1672) ( P = .736) were diagnosed in pre-intervention and post-intervention periods, respectively. Conclusion: Double reading of screening breast MRI scans significantly reduced the number of unnecessary biopsies without significant impact in the PPVs or cancer detection rate.
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 | 0,032 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».