MétaCan
Menu
Retour à la cohorte
Enregistrement W4386499196 · doi:10.1016/j.cjco.2023.09.001

Chest Pain Evaluation: Diagnostic Testing

2023· article· en· W4386499196 sur OpenAlexaff
Benjamin J.W. Chow, Paul Galiwango, Anthony Poulin, Paolo Raggi, Gary R. Small, Daniel Juneau, Mustapha Kazmi, Bilal Ayach, Rob Beanlands, Anthony Sanfilippo, Chi-Ming Chow, D. Ian Paterson, Michael Chetrit, Davinder S. Jassal, Kim A. Connelly, Éric Larose, Helen Bishop, Malek Kass, Todd J. Anderson, Majed Haddad, John Mancini, Katie M. Doucet, Jean-Sebastien Daigle, Amir Ahmadi, Jonathan Leipsic, Siok Ping Lim, Andrew D. McRae, Annie Chou

Notice bibliographique

RevueCJC Open · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac Imaging and Diagnostics
Établissements canadiensSt. Paul's HospitalUniversity of British ColumbiaUniversity of OttawaMcGill University Health CentreSt. Michael's HospitalDalhousie UniversityUniversity of TorontoCentre Hospitalier de l’Université de MontréalUniversity of CalgaryUniversity of SaskatchewanUniversity of AlbertaLibin Cardiovascular Institute of Alberta
Organismes subventionnairesSiemens HealthineersTD Bank
Mots-clésMedicineChest painIntensive care medicineDiagnostic testModalitiesEtiologyPhysical therapyEmergency medicineSurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Chest pain/discomfort (CP) is a common symptom and can be a diagnostic dilemma for many clinicians. The misdiagnosis of an acute or progressive chronic cardiac etiology may carry a significant risk of morbidity and mortality. This review summarizes the different options and modalities for establishing the diagnosis and severity of coronary artery disease. An effective test selection algorithm should be individually tailored to each patient to maximize diagnostic accuracy in a timely fashion, determine short- and long-term prognosis, and permit implementation of evidence-based treatments in a cost-effective manner. Through collaboration, a decision algorithm was developed (www.chowmd.ca/cadtesting) that could be adopted widely into clinical practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,050
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,496
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,050
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,096
Tête enseignante GPT0,379
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCJC OpenMême sujetCardiac Imaging and DiagnosticsTravaux en français237 207