Identifying high risk individuals for targeted lung cancer screening: Independent validation of the PLCO<sub>m2012</sub> risk prediction tool
Notice bibliographique
Résumé
Lung cancer screening with computerised tomography holds promise, but optimising the balance of benefits and harms via selection of a high risk population is critical. PLCO m2012 is a logistic regression model based on U.S. data, incorporating sociodemographic and health factors, which predicts 6‐year lung cancer risk among ever‐smokers, and thus may better predict those who might benefit from screening than criteria based solely on age and smoking history. We aimed to validate the performance of PLCO m2012 in predicting lung cancer outcomes in a cohort of Australian smokers. Predicted risk of lung cancer was calculated using PLCO m2012 applied to baseline data from 95,882 ever‐smokers aged ≥45 years in the 45 and Up Study (2006–2009). Predictions were compared to lung cancer outcomes captured to June 2014 via linkage to population‐wide health databases; a total of 1,035 subsequent lung cancer diagnoses were identified. PLCO m2012 had good discrimination (area under the receiver‐operating‐characteristic‐curve; AUC 0.80, 95%CI 0.78–0.81) and excellent calibration (mean and 90th percentiles of absolute risk difference between observed and predicted outcomes: 0.006 and 0.016, respectively). Sensitivity (69.4%, 95%CI, 65.6–73.0%) of the PLCO m2012 criteria in the 55–74 year age group for predicting lung cancers was greater than that using criteria based on ≥30 pack‐years smoking and ≤15 years quit (57.3%, 53.3‐61.3%; p < 0.0001), but specificity was lower (72.0%, 71.7–72.4% versus 75.2%, 74.8–75.6%, respectively; p < 0.0001). Targeting high risk people for lung cancer screening using PLCO m2012 might improve the balance of benefits versus harms, and cost‐effectiveness of lung cancer screening.
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 ».