MétaCan
Menu
← Retour à la cohorte
Enregistrement W4391873649 · doi:10.1093/jcag/gwad061.096

A96 A QUALITY ASSESSMENT STUDY TO DETERMINE IF TISSUE ACQUISTION AND SPECIMEN HANDLING IMPACT THE DIAGNOSTIC YIELD OF ENDOSCOPIC ULTRASOUND-GUIDED FINE NEEDLE ASPIRATION OF SOLID MASS

2024· article· en· W4391873649 sur OpenAlexaff
Shahid Khan, Pamela Mathura, L Puttangunta, S. Girgis, J Zhang, Jan Nilsson, S Wesilenko

Notice bibliographique

RevueJournal of the Canadian Association of Gastroenterology · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésEndoscopic ultrasoundYield (engineering)UltrasoundFine-needle aspirationMedicineQuality (philosophy)RadiologyMaterials scienceBiopsyPhysicsComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract Background Endoscopic ultrasound (EUS)-guided fine needle aspiration biopsy (FNAB) of solid mass lesions has a sensitivity and specificity between 50-100%. Tissue acquisition and specimen handling are factors that may contribute to this variability. At our institution, 3 endoscopists perform EUS. The aspirated material obtained is expressed onto slides for cytology (prepared by a nurse) and solid tissue fragments transferred into formalin. At the discretion of the endoscopist, aspirated material is collected in saline for cell block preparation. Aims To assess the impact of tissue collection and specimen handling on diagnostic yield of EUS-FNAB of solid mass lesions. Methods A chart audit was completed for all patients undergoing EUS-FNAB of solid mass lesions between January 1, 2022 and December 31, 2022. Descriptive statistics were completed. A definite diagnosis was considered when calculating the diagnostic yield. Results A total of 184 patients (100 M, 84 F), mean age 64±13 years (range 14-89 years), underwent 200 EUS-FNABs by 3 endoscopists. Pancreatic masses were the most common indication in 118/200 (59%) cases. A 22-gauge FNAB needle was used in 189/200 (95%) cases. A total of 285 needle passes were performed in 149 cases (mean 1.9/case). In the remaining 51 cases (26%), the number of needle passes was not specified. Tissue samples were transported in formalin in 190 cases, on cytology slides in 170 cases, and in saline for cell block preparation in 41 cases. Overall, a definite diagnosis was achieved in 149/200 cases (75%). Stratifying for needle passes, a definite diagnosis was achieved in 22/39 (56%), 71/85 (84%), 20/24 (83%), and 1/1 (100%) cases that had 1, 2, 3, and 4 needle passes. Of the 51 cases with unspecified needle passes, a definite diagnosis was achieved in 35 cases (69%). The diagnostic yield obtained with saline for cell block was similar to that obtained with formalin and cytology slides (30/41 [73%] vs. 144/190 [76%] and 132/170 [78%]). Conclusions Increasing the minimum number of needles passes for tissue acquisition to 3 per case may increase the diagnostic yield of EUS-FNAB. Documenting the number of needles passes in the endoscopy report is an important quality indicator. Cytology slides and tissue in formalin should be considered standard of care but aspirated material should continue to be used for cell block preparation. However, there is some concern that saline as a transport medium may de-vitalize the aspirated material, so it should be replaced with formalin to preserve tissue integrity. Funding Agencies None

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,018
score de la tête « metaresearch » (Gemma)0,055
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,018
Score d'incertitude au seuil0,094

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,055
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,345
Écart entre enseignants0,324 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Canadian Association of Gastroenterology→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→