Endoscopic Ultrasound Guided Fine Needle Aspiration versus Endoscopic Ultrasound Guided Fine Needle Biopsy for Pancreatic Cancer Diagnosis: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
INTRODUCTION: One of the most effective diagnostic tools for pancreatic cancer is endoscopic ultrasound-guided fine-needle aspiration (EUS-FNA) or biopsy (EUS-FNB). Several randomized clinical trials have compared different EUS tissue sampling needles for the diagnosis of pancreatic cancer. OBJECTIVE: To compare the diagnostic accuracy of EUS-guided FNA as EUS-FNB needles for the diagnosis of pancreatic cancer using a systematic review and meta-analysis. METHOD: A literature review with a meta-analysis was performed according to the PRISMA guide. The databases of PubMed, Cochrane and Google Scholar were used, including studies published between 2011-2021 comparing the diagnostic yield (diagnostic accuracy or probability of positivity, sensitivity, specificity, predictive value) of EUS-FNA and EUS-FNB for the diagnosis of pancreatic cancer. The primary outcome was diagnostic accuracy. Random effect models allowed estimation of the pooled odds ratio with a confidence interval (CI) of 95%. RESULTS: Nine randomized control trials were selected out of 5802 articles identified. Among these, five studies found no statistically significant difference between the EUS-FNA and EUS-FNB, whereas the other four did. The meta-analysis found EUS-FNB accuracy superior to EUS-FNA for the diagnosis of pancreatic cancer with a pooled odds ratio of 1.87 (IC 95%: 1.33-2.63). CONCLUSION: As compared to EUS-FNA, EUS-FNB seems to improve diagnostic accuracy when applied to suspicious pancreatic lesions.
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 | 0,017 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,021 | 0,039 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».