COLONOGRAFIA POR TOMOGRAFIA COMPUTADORIZADA NA TRIAGEM DE CÂNCER COLORRETAL: UMA REVISÃO DE LITERATURA
Bibliographic record
Abstract
O câncer de colorretal é a terceira neoplasia mais frequente no mundo, acomete, principalmente, a porção distal do trato gastrointestinal. No Brasil, é a terceira neoplasia mais prevalente no sexo feminino segundo o INCA. O diagnóstico precoce e rastreamento são as formas mais eficazes de prevenir a formação e desenvolvimento da CCR, pois possibilita identificar lesões pré-malignas. Dentre os métodos diagnósticos, a CTC é uma técnica tridimensional, que utiliza baixa dose de radiação e permite diagnosticar lesões de cólon, mas também extra colônicas. Objetivo: Realizar uma revisão integrativa da literatura a respeito do exame de diagnóstico CTC para neoplasias de cólon, abordando sobre definição, técnica, triagem, rastreio, sensibilidade, especificidade e custo; indicações e contraindicações, benefícios e limitações do exame. Método: Trata-se de uma revisão bibliográfica integrativa da literatura e síntese dos resultados a partir de artigos científicos publicados e indexados nos portais PubMed e BVS (Biblioteca Virtual em Saúde), nas bases de dados Lilacs, Medline e Scielo. Conclusão: O rastreamento e identificação de pólipos e lesões neoplásicas intestinais é importante para reduzir ou descartar um possível avanço da doença. As combinações dos métodos existentes para o diagnóstico precoce agem de forma efetiva para a detecção e exérese da lesão, sobretudo, a CTC, além disso, ela tem uma boa especificidade e sensibilidade na detecção de lesões de 5 a 9 mm e extra colônicas. Porém, lesões menores de 5 mm que não podem ser identificadas com precisão.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.016 | 0.016 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".