Multivariable models for advanced colorectal neoplasms in screen-eligible individuals at low-to-moderate risk of colorectal cancer: towards improving colonoscopy prioritization
Notice bibliographique
Résumé
Abstract Background Advanced colorectal neoplasms (ACNs), including colorectal cancers (CRC) and high-risk adenomas (HRA), are detected in less than 20% of persons aged 50 years or older who undergo colonoscopy. We sought to derive personalized predictive models of risk of harbouring ACNs to improve colonoscopy wait times for high-risk patients and allocation of colonoscopy resources. Methods We characterized colonoscopy indications, neoplasia risk factors and colonoscopy findings through chart review for consecutive individuals aged 50 years or older who underwent outpatient colonoscopy at The Ottawa Hospital (Ottawa, Canada) between April 1, 2008 and March 31, 2012 for non-life threatening indications. We linked patients to population-level health administrative datasets to ascertain additional historical predictor variables and derive multivariable logistic regression models for risk of harboring ACNs at colonoscopy. We assessed model discriminatory capacity and calibration and the ability of the models to improve colonoscopy specificity while maintaining excellent sensitivity for ACN capture. Results We modelled 17 candidate predictors in 11,724 individuals who met eligibility criteria. The final CRC model comprised 8 variables and had a c-statistic value of 0.957 and a goodness-of-fit p-value of 0.527. Application of the models to our cohort permitted 100% sensitivity for identifying persons with CRC and > 90% sensitivity for identifying persons with HRA, while improving colonoscopy specificity for ACNs by 23.8%. Conclusions Our multivariable models show excellent discriminatory capacity for persons with ACNs and could significantly increase colonoscopy specificity without overly sacrificing sensitivity. If validated, these models could allow more efficient allocation of colonoscopy resources, potentially reducing wait times for those at higher risk while deferring unnecessary colonoscopies in low-risk individuals.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 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 ».