Is There a Difference in Adenoma Detection Rates According to Indication? An Experience in a Panamanian Colorectal Cancer Screening Program
Notice bibliographique
Résumé
Background: The benefit of colorectal cancer screening in reducing cancer risk and related death is unclear. There are quality measure indicators and multiple factors that affect the performance of a successful colonoscopy. The main objective of our study was to identify if there is a difference in polyp detection rate (PDR) and adenoma detection rate (ADR) according to colonoscopy indication and which factors might be associated. Methods: We conducted a retrospective review of all colonoscopies performed between January 2018 and January 2019, in a tertiary endoscopic center. All patients ≥ 50 years old scheduled for a nonurgent colonoscopy and screening colonoscopy were included. We stratified the total number of colonoscopies into two categories according to the indication: screening vs. non-screening, and then calculated PDR, ADR and serrated polyp detection rate (SDR). We also performed logistic regression model to identify factors associated with detecting polyps and adenomatous polyps. Results: A total of 1,129 and 365 colonoscopies were performed in the non-screening and screening group, respectively. In comparison with the screening group, PDR and ADR were lower for the non-screening group (33% vs. 25%; P = 0.005 and 17% vs. 13%; P = 0.005). SDR was non-significantly lower in the non-screening group when compared with the screening group (11% vs. 9%; P = 0.53 and 22% vs. 13%; P = 0.007). Conclusion: In conclusion, this observational study reported differences in PDR and ADR depending on screening and non-screening indication. These differences could be related to factors related to the endoscopist, time slot allotted for colonoscopy, population background, and external factors.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».