Histologic Assessment in Ulcerative Colitis: A Survey of Pathologists’ Practices and Perspectives
Notice bibliographique
Résumé
Background: Histologic remission is increasingly recognized as an important endpoint in ulcerative colitis (UC) management. Consensus guidelines on adopting histologic scoring systems in clinical practice are lacking in the United States. This study aimed to assess the knowledge, attitudes, and practices of pathologists, primarily located in North America, regarding histologic evaluation in UC. Methods: This study surveyed a group of pathologists who have completed postdoctoral medical training with demonstrated interest and involvement in the field of gastrointestinal pathology to evaluate their knowledge, practices, and perspectives on histologic assessment using standardized scoring systems in clinical practice in UC patients. The survey was hosted on an online platform, and responses were recorded anonymously. Results: A total of 57 responses were included in the analysis. Nearly two-thirds of pathologists acknowledged a lack of familiarity with the criteria for histologic remission as defined by the Nancy Index (NI), Robarts Histopathology Index (RHI), and Geboes score (GS). A majority (37/57; 65%) of pathologists did not support routine inclusion of a histologic score in pathology reports. The remaining 20/57 (35%) pathologists advocated for the incorporation of a standardized index, with the NI favored by 10/20 (50%) followed by the GS (n = 3; 15%) and the IBD-Distribution, Chronicity and Activity score (n = 3; 15%). Nearly a half (27/57; 47%) of the respondents acknowledged a favorable role for artificial intelligence in this setting. Conclusions: The current survey highlights the need for collaborative efforts among pathologists, gastroenterologists, and professional societies to establish a consensus guideline for routine histologic assessment in UC. Additional guidance from professional societies and research are required to integrate artificial intelligence-driven approaches into routine clinical practice.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».