Public Perceptions of the Benefits and Risks of Newborn Screening
Notice bibliographique
Résumé
BACKGROUND: Growing technological capacity and parent and professional advocacy highlight the need to understand public expectations of newborn population screening. METHODS: We administered a bilingual (French, English) Internet survey to a demographically proportional sample of Canadians in 2013 to assess preferences for the types of diseases to be screened for in newborns by using a discrete choice experiment. Attributes were: clinical benefits of improved health, earlier time to diagnosis, reproductive risk information, false-positive (FP) results, and overdiagnosed infants. Survey data were analyzed with a mixed logit model to assess preferences and trade-offs among attributes, interaction between attributes, and preference heterogeneity. RESULTS: On average, respondents were favorable toward screening. Clinical benefits were the most important outcome; reproductive risk information and early diagnosis were also valued, although 8% disvalued early diagnosis, and reproductive risk information was least important. All respondents preferred to avoid FP results and overdiagnosis but were willing to accept these to achieve moderate clinical benefit, accepting higher rates of harms to achieve significant benefit. Several 2-way interactions between attributes were statistically significant: respondents were willing to accept a higher FP rate for significant clinical benefit but preferred a lower rate for moderate benefit; similarly, respondents valued early diagnosis more when associated with significant rather than moderate clinical benefit. CONCLUSIONS: Members of the public prioritized clinical benefits for affected infants and preferred to minimize harms. These findings suggest support for newborn screening policies prioritizing clinical benefits over solely informational benefits, coupled with concerted efforts to avoid or minimize harms.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».