Performance of the cancer risk management model lung cancer screening module.
Notice bibliographique
Résumé
BACKGROUND: The National Lung Screening Trial (NLST) demonstrated that low-dose computed tomography (LDCT) screening reduces lung cancer mortality in a high-risk U.S. population. A microsimulation model of LDCT screening was developed to estimate the impact of introducing population-based screening in Canada. DATA AND METHODS: LDCT screening was simulated using the lung cancer module of the Cancer Risk Management Model (CRMM-LC), which generates large, representative samples of the Canadian population from which a cohort with characteristics similar to NLST participants was selected. Screening parameters were estimated for stage shift, LDCT sensitivity and specificity, lead time, and survival to fit to NLST incidence and mortality results. The estimation process was a step-wise directed search. RESULTS: Simulated mortality reduction from LDCT screening was 23% in the CRMM-LC, compared with 20% in the NLST. The difference in the number of lung cancer cases over six years varied by, at most, 2.3% in the screen arm. The difference in cumulative incidence at six years was less than 2% in both screen and control arms. The estimated percentage over-diagnosed was 24.8%, which was 6% higher than NLST results. INTERPRETATION: Simulated screening reproduces NLST results. The CRMM-LC can evaluate a variety of population-based screening strategies. Sensitivity analyses are recommended to provide a range of projections to reflect model uncertainty.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».