Predictors of High-grade Squamous Intraepithelial Lesion treatment failure
Notice bibliographique
Résumé
Abstract Objective To estimate the association between several risk factors and high-grade squamous intraepithelial lesions (HSIL) treatment failure in order to identify predictors. Methods The study population included 1,548 Canadian women treated for HSIL who participated in a randomized control trial. HSIL treatment failure was the presence of histologically confirmed HSIL or worse during the two-year follow-up period. This nested-case control study included all 101 cases of treatment failure and controls that were matched 1:1 on treatment center and date of failure. Conditional logistic regression models were used to estimate odds ratios (ORs) and 95% confidence intervals (CIs) between each potential predictor and HSIL treatment failure. Independent variables that were examined included age, parity, smoking status, number of sexual partners, condom use, method of contraception, margins, number of passes, diagnosis on conisation, genotype, and number of infecting types. Interactions between smoking and margins and genotype were evaluated. Results Having positive vs. negative margins (adjusted OR=4.05, 95% CI 1.57-10.48) and being positive for Human Papillomavirus (HPV)16 and/or HPV18 vs. any other type (adjusted OR=2.69, 95% CI 1.32-5.49) were predictors of HSIL treatment failure in multivariable models. ORs suggested that older age, more severe lesions, and single-type infections may be at a higher risk of treatment failure but were not statistically significant. The ORs for smoking status, number of sexual partners, condom use, contraception, parity, and number of passes were near the null value. We did not observe any evidence of interaction between smoking and genotype, nor between margins and genotype. Conclusion Only positive margins and HPV16/18 positivity were predictors for being diagnosed with HSIL or worse within two years of treatment. However, we do not recommend automatic retreatment of those with positive margins because over 90% of those with positive margins did not fail treatment. The predictive value of HPV16 and HPV18 for HSIL treatment failure suggests that high coverage vaccination programs should contribute to a significant reduction in residual/recurrent disease.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».