Application of Risk Prediction Models to Lung Cancer Screening
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».