EUS-FNA versus EUS-FNB in Pancreatic Solid Lesions ≤ 15 mm
Notice bibliographique
Résumé
A small tumor size may impact the diagnostic performance of endoscopic ultrasound-guided tissue acquisition (EUS-TA) for diagnosing solid pancreatic lesions (SPLs). We aimed to compare the diagnostic yield of EUS-guided fine-needle aspiration (FNA) and biopsy (FNB) in SPLs with a diameter ≤ 15 mm. Consecutive patients who underwent EUS-TA for SPLs ≤ 15 mm between January 2015 and December 2022 in a tertiary referral center were retrospectively evaluated. The primary endpoint was diagnostic accuracy. The final diagnosis was based on surgical pathology or disease evolution after a minimum follow-up of 6 months. Inadequate samples were all considered false negatives for the study. Secondary outcomes included sample adequacy, factors impacting accuracy, and safety. We included 368 patients (52.4% male; mean age: 60.2 years) who underwent FNA in 72 cases and FNB in 296. The mean size of SPLs was 11.9 ± 2.6 mm. More than three passes were performed in 5.7% and 61.5% of patients in the FNB and FNA groups, respectively (p < 0.0001). FNB outperformed FNA in terms of diagnostic accuracy (89.8% vs. 79.1%, p = 0.013) and sample adequacy (95.9% vs. 86.1%, p < 0.001). On multivariate analysis, using FNA (OR: 2.10, 95% CI: 1.07–4.48) and a final diagnosis (OR: 3.56, 95% CI: 1.82–6.94) of benign conditions negatively impacted accuracy. Overall, the adverse event rate was 0.8%, including one pancreatitis in the FNA group and one pancreatitis and one bleeding in the FNB group, all mild and conservatively managed. EUS-TA for SPLs ≤ 15 mm has a high diagnostic yield and safety. This study suggests the superiority of FNB over FNA, with better performance even with fewer passes performed.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 0,001 |
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.
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 ».