Assessment of chronic rhinosinusitis with nasal polyps: Development of the Nasal Polyp Patient Assessment Scoring Sheet tool
Notice bibliographique
Résumé
Background: Chronic rhinosinusitis (CRS) is a heterogeneous disorder with a wide range of validated subjective and objective assessment tools to assess disease severity. However, a comprehensive and easy-to-use tool that integrates these measures for determining disease severity and response to treatment is still obscure. The objective of this study was to develop a standardized assessment tool that facilitates diagnosis, uniform patient monitoring, and comparison of treatment outcomes between different centers both in routine clinical practice and in research. Methods: To develop this tool, published literature on assessment tools was searched on various databases. A panel of 12 steering committee members conducted an advisory board meeting to review the findings. Specific outcome measures to be included in a comprehensive assessment tool and follow-up sheet were then collated following consensus approval from the panel. The tool was further validated for content and revised with expert recommendations to arrive at the finalized Nasal Polyp Patient Assessment Scoring Sheet (N-PASS) tool. Results: The N-PASS tool was developed by integrating the subjective and objective measures for CRS assessment. Based on expert opinions, N-PASS was revised to be used as an easy-to-use guidance tool that captures patient-reported and physician-assessed components for comprehensively assessing disease status and response to treatment. Conclusion: The N-PASS tool can be used to aid in the diagnosis and management of CRS cases with nasal polyps. The tool would also aid in improved monitoring of patients and pave the way for an international disease registry. Level of evidence: Oxford Level 3.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».