Nghiên cứu giá trị của chụp cắt lớp vi tính đa dãy trong chẩn đoán giai đoạn bệnh và tiên lượng khả năng phẫu thuật u vùng đầu tụy
Bibliographic record
Abstract
Mục tiêu: Nghiên cứu giá trị của chụp cắt lớp vi tính (CLVT) đa dãy đầu thu trong chẩn đoán giai đoạn bệnh và tiên lượng khả năng phẫu thuật u vùng đầu tụy. Đối tượng và phương pháp: Tiến cứu, mô tả cắt ngang được tiến hành trên 79 bệnh nhân nghi ngờ u vùng đầu tụy trên lâm sàng, được chụp CLVT 320 dãy, điều trị phẫu thuật và có kết quả mô bệnh học tại Bệnh viện Trung ương Quân đội 108, từ tháng 05/2017 đến tháng 02/2021. Kết quả: Độ chính xác của CLVT trong chẩn đoán u vùng đầu tụy là 93,7%. CLVT phù hợp cao với mô bệnh học trong chẩn đoán vị trí u vùng đầu tụy với hệ số Kappa là 0,73. CLVT phù hợp rất cao với phẫu thuật trong đánh giá xâm lấn mạch máu của u vùng đầu tụy (hệ số Kappa: 0,871). CLVT phù hợp vừa với mô bệnh học trong đánh giá xâm lấn tại chỗ của u vùng đầu tụy (hệ số Kappa: 0,423). Chẩn đoán di căn hạch và giai đoạn bệnh của CLVT phù hợp vừa với mô bệnh học, hệ số Kappa lần lượt là 0,417 và 0,405. Kết luận: Qua nghiên cứu có đối chiếu với phẫu thuật và giải phẫu bệnh, chụp cắt lớp vi tính có giá trị cao trong việc chẩn đoán giai đoạn bệnh và tiên lượng khả năng phẫu thuật u vùng đầu tụy.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.115 | 0.037 |
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".