Wpływ wykrywania komputerowego na wydajność mammografii przesiewowej czesc 4

Użyliśmy testów chi-kwadratowych do porównania nieskorygowanych miar wydajności dla badań mammograficznych w obiektach, które przyjęły wykrywanie wspomagane komputerowo z tymi, które tego nie zrobiły. Wśród urządzeń, które wdrożyły komputerowe wspomaganie wykrywania, porównaliśmy wyniki mammografii przesiewowej przed i po wdrożeniu. Przeanalizowaliśmy ogólny wskaźnik wykrycia raka (na 1000 mammogramów przesiewowych), a także wskaźniki wykrywania inwazyjnych nowotworów i raków przewodowych in situ. Aby dostosować się do współzmiennych powiązanych z pacjentami, placówkami lub radiologami, wykorzystaliśmy analizę logistyczno-regresyjną o mieszanych efektach, aby modelować swoistość, czułość i pozytywną wartość predykcyjną jako funkcje wykorzystania komputerowego wspomagania wykrywania, rejestru mammograficznego, charakterystyki pacjentów ( wiek, gęstość piersi i czas od ostatniej mammografii), charakterystyka radiologów (lata doświadczeń interpretujących mammogramy i liczba mammogramów interpretowanych w ciągu roku) oraz cztery cechy obiektów, które indywidualnie były związane ze swoistością, czułością lub dodatnią wartością predykcyjną w osobnych analizy (P <0,10). Dla specyficzności modelowaliśmy szanse na prawdziwą mammografię negatywną przesiewową. Dla wrażliwości modelowaliśmy szanse na prawdziwą pozytywną mammografię przesiewową. Dla pozytywnej wartości predykcyjnej modelowaliśmy szanse na rozpoznanie raka w ciągu roku od pozytywnej mammografii przesiewowej. Modele uwzględniały losowy efekt na poziomie obiektu, aby uwzględnić korelację wyników mammografii w obrębie każdego obiektu. Każdemu modelowi poddajemy reranu z terminem interakcji między wykorzystaniem komputerowego wspomagania wykrywania a miesiącem badania, aby ocenić, czy wpływ komputerowego wspomagania wykrywania na wydajność zmieniał się w czasie.
Zastosowaliśmy analizę regresji porządkowej z efektami mieszanymi, aby dopasować model ROC obejmujący zmienne towarzyszące związane z pacjentami, radiologami, obiektami i rejestrami jako efektami stałymi i dwoma efektami losowymi dla progu poziomu obiektu (prawdopodobieństwo, że mammografia byłaby interpretowane jako pozytywne) i dokładność (umiejętność rozróżniania nowotworów od nie-nowotworowych) .24 Przebadaliśmy istotną różnicę między AUC a tymi bez wykrycia wspomaganego komputerowo przy użyciu testu współczynnika prawdopodobieństwa. Testy hipotezy były dwustronne, z poziomem alfa 0,05.
Wyniki
Dane badania
Tabela 1. Tabela 1. Nieskorygowane wyniki badań przesiewowych mammografii w latach 1998-2002, zgodnie z charakterystyką pacjentów. Spośród 51 placówek, które przekazały dane mammograficzne do rejestrów w okresie od 1998 do 2002 r., 43 (84%) odpowiedziało na ankietę. W tych 43 obiektach było 159 radiologów, którzy interpretowali mammogramy, z których 122 (77%) udzieliło kompletnych odpowiedzi i pisemnej świadomej zgody na powiązanie z danymi mammograficznymi i danymi z placówki. Radiologowie, którzy tak zrobili i ci, którzy nie zareagowali, mieli podobne wskaźniki skuteczności w badaniach przesiewowych mammografii.17 Pełne dane mammograficzne były dostępne dla 221 135 kobiet (łącznie 429.345 mammogramów przesiewowych), w tym 2351 kobiet, u których w roku po badaniu przesiewowym rozpoznano raka piersi (Tabela 1). Podobnie jak w poprzednich badaniach, wiek 22,23 lat, gęstość piersi i czas od ostatniej mammografii dla pacjentów były związane ze swoistością, czułością i pozytywną wartością predykcyjną.
Spośród 43 obiektów, które odpowiedziały na ankietę, 7 (16%) wdrożyło wspomagane komputerowo wykrywanie w okresie badania
[przypisy: stomatolog pruszków, metoda opcji autyzm, excedrin migrastop ]

Wpływ wykrywania komputerowego na wydajność mammografii przesiewowej czesc 4

Użyliśmy testów chi-kwadratowych do porównania nieskorygowanych miar wydajności dla badań mammograficznych w obiektach, które przyjęły wykrywanie wspomagane komputerowo z tymi, które tego nie zrobiły. Wśród urządzeń, które wdrożyły komputerowe wspomaganie wykrywania, porównaliśmy wyniki mammografii przesiewowej przed i po wdrożeniu. Przeanalizowaliśmy ogólny wskaźnik wykrycia raka (na 1000 mammogramów przesiewowych), a także wskaźniki wykrywania inwazyjnych nowotworów i raków przewodowych in situ. Aby dostosować się do współzmiennych powiązanych z pacjentami, placówkami lub radiologami, wykorzystaliśmy analizę logistyczno-regresyjną o mieszanych efektach, aby modelować swoistość, czułość i pozytywną wartość predykcyjną jako funkcje wykorzystania komputerowego wspomagania wykrywania, rejestru mammograficznego, charakterystyki pacjentów ( wiek, gęstość piersi i czas od ostatniej mammografii), charakterystyka radiologów (lata doświadczeń interpretujących mammogramy i liczba mammogramów interpretowanych w ciągu roku) oraz cztery cechy obiektów, które indywidualnie były związane ze swoistością, czułością lub dodatnią wartością predykcyjną w osobnych analizy (P <0,10). Dla specyficzności modelowaliśmy szanse na prawdziwą mammografię negatywną przesiewową. (więcej…)