Diagnostic Performance of [18F]F-FDG Positron Emission Tomography (PET) in Non-Ophthalmic Malignant Melanoma: A Systematic Review and Meta-Analysis of More Than 10,000 Melanoma Patients
Notice bibliographique
Résumé
We described the diagnostic performance of [18F]F-FDG-PET in malignant melanoma by conducting a comprehensive systematic review and meta-analysis of the existing literature. The study was designed following PRISMA-DTA. Original articles with adequate crude data for meta-analytic calculations that evaluated [18F]F-FDG-PET and compared it with a valid reference standard were considered eligible. The pooled measurements were calculated based on the data level (patient/lesion-based). Regarding sub-groups, diagnostic performances were calculated for local, regional and distant involvement. The bivariate model was employed to calculate sensitivity and specificity. The initial search resulted in 6678 studies. Finally, 100 entered the meta-analysis, containing 82 patient-based (10,403 patients) and 32 lesion-based (6188 lesions) datasets. At patient level, overall, [18F]F-FDG-PET had pooled sensitivity and specificity of 81% (95%CI: 73–87%) and 92% (95%CI: 90–94%), respectively. To detect regional lymph node metastasis, the pooled sensitivity and specificity were 56% (95%CI: 40–72%) and 97% (95%CI: 94–99%), respectively. To detect distant metastasis, they were 88% (95%CI: 81–93%) and 94% (95%CI: 91–96%), respectively. At lesion level, [18F]F-FDG-PET had a pooled sensitivity and specificity of 70% (95%CI: 57–80%) and 94% (95%CI: 88–97%), respectively. Thus, [18F]F-FDG-PET is a valuable diagnostic modality for melanoma assessment. It was accurate in various clinical scenarios. However, despite its high specificity, it showed low sensitivity in detecting regional lymph node metastasis and could not replace lymph node biopsy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,002 | 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 | 0,000 |
| 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 ».