Is Mammography Adequate for Screening Women with Inherited BRCA Mutations and Low Breast Density?
Notice bibliographique
Résumé
BACKGROUND: Several observational studies have shown that magnetic resonance imaging (MRI) is significantly more sensitive than mammography for screening women over age 25 at high risk for hereditary breast cancer; however, MRI is more costly and less specific than mammography. We sought to determine the extent to which the low sensitivity of mammography is due to greater breast density. METHODS: Breast density was evaluated for all patients on a high-risk screening study who were diagnosed with breast cancer between November 1997 and July 2006. Density was measured in two ways: qualitatively using the four categories characterized by the Breast Imaging Reporting and Data System and quantitatively using a computer-aided technique and classified as (a) <or=10%, (b) 11% to 25%, (c) 26% to 50%, and (d) >50% density. Comparison of sensitivity of mammography (and MRI) for each individual density category and after combining the highest two and lowest two density categories was done using Fisher's exact test. RESULTS: A total of 46 breast cancers [15 ductal carcinoma in situ (DCIS) and 31 invasive] were diagnosed in 45 women (42 with BRCA mutations). Mean age was 48.3 (range, 32-68) years. Overall, sensitivity of mammography versus MRI was 20% versus 87% for DCIS and 26% versus 90% for invasive cancer. There was a trend towards greater mammographic sensitivity for invasive cancer in women with fattier breasts compared with those with greater breast density (37-43% versus 8-12%; P = 0.1), but this trend was not seen for DCIS. CONCLUSION: It is necessary to add MRI to mammography for screening women with BRCA mutations even if their breast density is low.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».