The Accuracy of 2.5 mm Punch Biopsy in theDiagnosis of Skin Lesions
Notice bibliographique
Résumé
Background: Punch biopsies are gaining widespread attention among medical professionals for their broad use and ease of access. Despite decades-long use, there needs to be more robust statistical evidence regarding their diagnostic accuracy. This study aims to evaluate the accuracy of the 2.5 mm punch biopsy in diagnosing skin lesions by comparing the histopathology of punch biopsies with that of excisional biopsies. Methods: In this retrospective study, a review of 4,000 charts, including skin lesions seen by a single plastic surgeon from 2016–2023, was conducted to identify patients who underwent a 2.5 mm punch biopsy of a lesion followed by a subsequent excisional biopsy. 206 charts were identified. Concord ance between punch and excisional histopathologies was used to calculate the efficacy of the 2.5 mm punch biopsy as a diagnostic tool. Results: Of 206, 141 skin lesions were characterized as cancerous by punch biopsy, all confirmed on subsequent excisional biopsy. 51 were deemed benign/precancerous on punch biopsy and confirmed by excision. 12 were identified as cancerous by punch biopsy but later characterized as benign/precancerous by excision. 2 were characterized as precancerous by punch biopsy and cancerous by excision. Analysis revealed that the 2.5 mm punch biopsy had a sensitivity of 98.6% (95% CI: 95.04%–99.83%) and specificity of 80.95% (69%–89.75%) in diagnosing skin lesions, which is statistically significant by several measures. Conclusion: The 2.5 mm punch biopsy is an accurate tool for diagnosing skin lesions. It can be applied to various anatomical sites and lesion sizes. Its non-suturing requirement may enhance cosmetic outcomes and ease-of-use.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».