Application of Risk Prediction Models to Lung Cancer Screening
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Globally, lung cancer is the leading cause of cancer death and is a major public health problem. Because lung cancer is usually diagnosed at an advanced stage, survival is generally poor. In recent decades, clinical advances have not led to marked improvements in outcomes. A recent advance of importance arose when the National Lung Screening Trial (NLST) findings indicated that low-dose computed tomography screening of high-risk individuals can lead to a lung cancer mortality reduction of 20%. NLST identified high-risk individuals using the following criteria: age 55 to 74 years; ≥30 pack-years of smoking; and number of years since smoking cessation ≤15 years. Medical screening is most effective when applied to high-risk individuals. The NLST criteria for high risk were practical for enrolling individuals into a clinical trial but are not optimal for risk estimation. Lung cancer risk prediction models are expected to be superior. Indeed, recently, 3 studies have provided quantitative evidence that selection of individuals for lung screening on the basis of estimates from high-quality risk prediction models is superior to using NLST criteria or similar criteria, such as the United States Preventive Services Task Force (USPSTF) criteria. Compared with NLST/USPSTF criteria, selection of individuals for screening using high-quality risk models should lead to fewer individuals being screened, more cancers being detected, and fewer false positives. More lives will be saved with greater cost-effectiveness. In this paper, we review methodological background for prediction modeling, existing lung cancer risk prediction models and some of their findings, and current issues in lung cancer risk prediction modeling and discuss future research.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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) | 0,000 | 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 découle