Notice bibliographique
Résumé
BACKGROUND: Appropriate statistical analysis is required to measure the impact of early detection and treatment of cancer. The current practice of using cumulative mortality ignores both (1) the delay between early treatment and the time that any averted deaths would have otherwise occurred, and (2) cessation of these delayed benefits some time after screening is discontinued. METHODS: We use time-specific mortality density ratios to estimate the mortality ratio in the "window of influence." We then use time-specific incidence density ratios to assess the extent to which the removal of polyps and other possibly precancerous lesions detected by fecal occult blood screening reduces the incidence of colorectal cancer. RESULTS: Applied to a theoretical example, the current practice of using cumulative mortality substantially underestimates the reduction in mortality achievable by early treatment. If there is sufficient time for the full impact to emerge, time-specific mortality patterns provide a more accurate measure. In a previous analysis of the screening study, the reduction in cumulative incidence in the screened groups was just under 20%. In our reanalysis, yearly incidence density ratios indicate that had screening not been interrupted, there might have been a 40% reduction in incidence. CONCLUSIONS: Time-specific mortality ratios provide a more sensitive measure of the effects of early detection and treatment. Measures based on cumulative mortality are diluted by inclusion of deaths that occur soon after the initiation of screening as well as deaths that occur too long after the cessation of screening.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 ».