Impact of Breast Density Legislation on Breast Cancer Risk Assessment and Supplemental Screening: A Survey of 110 Radiology Facilities
Notice bibliographique
Résumé
Breast density notification laws, passed in 19 states as of October 2014, mandate that patients be informed of their breast density. The purpose of this study is to assess the impact of this legislation on radiology practices, including performance of breast cancer risk assessment and supplemental screening studies. A 20-question anonymous web-based survey was emailed to radiologists in the Society of Breast Imaging between August 2013 and March 2014. Statistical analysis was performed using Fisher's exact test. Around 121 radiologists from 110 facilities in 34 USA states and 1 Canadian site responded. About 50% (55/110) of facilities had breast density legislation, 36% of facilities (39/109) performed breast cancer risk assessment (one facility did not respond). Risk assessment was performed as a new task in response to density legislation in 40% (6/15) of facilities in states with notification laws. However, there was no significant difference in performing risk assessment between facilities in states with a law and those without (p < 0.831). In anticipation of breast density legislation, 33% (16/48), 6% (3/48), and 6% (3/48) of facilities in states with laws implemented handheld whole breast ultrasound (WBUS), automated WBUS, and tomosynthesis, respectively. The ratio of facilities offering handheld WBUS was significantly higher in states with a law than in states without (p < 0.001). In response to breast density legislation, more than 33% of facilities are offering supplemental screening with WBUS and tomosynthesis, and many are performing formal risk assessment for determining patient management.
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 | 0,000 |
| 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 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 ».