Clinical outcomes of modelling mammography screening strategies.
Notice bibliographique
Résumé
BACKGROUND: A validated breast cancer model can be used to compare health outcomes associated with different screening strategies. DATA AND METHODS: The University of Wisconsin Cancer Intervention and Surveillance Modeling Network (CISNET) breast cancer microsimulation model was adapted to simulate breast cancer incidence, screening performance and delivery of optimal therapies in Canada. The model considered effects of breast density on incidence and screening performance. Model predictions of incidence, mortality and life-years (LY) gained for a 1960 birth cohort of women for No Screening were compared with 11 digital mammography screening strategies that varied by starting and stopping age and frequency. RESULTS: In the absence of screening, the estimate of LYs lost from breast cancer was 360.1 per 1,000 women, and each woman diagnosed with breast cancer after age 40 who dies of breast cancer would lose an average of 19.1 years. Biennial screening at ages 50 to 74 resulted in 116.3 LYs saved. Annual screening at ages 40 to 49, followed by biennial screening to age 74, resulted in 170.3 LY saved. Screening annually at ages 40 to 74 recovered the most: 214 LY saved. Annual screening at age 40 resulted in 54 LY gained per 1,000 women. More frequent screening was associated with an increased ratio of detection of ductal in situ to invasive cancers, more abnormal recalls and more negative biopsies, but a reduction in the number of women required to be screened per life saved or per LY saved. INTERPRETATION: In general, mortality reduction was found to be associated with the total number of lifetime screens for breast cancer. However, for the same number of screens, more frequent screening after age 50 appeared to have a greater impact than beginning screening earlier. When the number of LYs saved by screening was considered, a greater impact was achieved by screening women in their 40s than by reducing the interval between screens.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».