The sensitivity of decision support tools for identifying patients with pancreatic cancer
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background Pancreatic cancer causes non-specific symptoms, potentially leading to delays in diagnosis. Decision support tools may help primary care practitioners to triage patients for pancreatic imaging. Aim To investigate the sensitivity of three different tools for identifying patients who may have pancreatic cancer. Design & setting An observational study in Australia. Method We investigated the performance of the Risk Assessment Tool (RAT) for pancreatic cancer, the QCancer ® tool, and a tool developed through a consensus process led by QIMR Berghofer (the QPaC Tool). We applied these tools to people with pancreatic cancer who were interviewed about their symptoms on first presentation to a clinician. We designated patients as ‘flagged’ by each tool if they met specific criteria, and calculated the percentage flagged (that is, the sensitivity). Participants with jaundice were excluded from analyses of QCancer ® . Results We included 190 participants in analyses of the RAT and QPaC Tool (142 in analyses of QCancer ® ). The sensitivity of the QPaC Tool and the RAT were 54% and 27%, respectively. QCancer ® had a sensitivity of 14%, at a probability threshold of 1%; in the same 142 participants, QPaC and the RAT flagged 44% and 7%, respectively. Conclusion The QPaC Tool was the most sensitive, largely owing to its inclusion of severe epigastric pain and emphasis on diabetes, but it has unknown specificity. More research is needed to determine whether any tool could reduce delays in diagnosis; in the interim, the QPaC Tool may support clinicians to consider pancreatic cancer in their differential diagnoses.
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.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 découle