Impact of Digital Mammography on Cancer Detection and Recall Rates: 11.3 Million Screening Episodes in the English National Health Service Breast Cancer Screening Program
Notice bibliographique
Résumé
Purpose To report the impact of changing from screen-film mammography to digital mammography (DM) in a large organized national screening program. Materials and Methods A retrospective analysis of prospectively collected annual screening data from 2009-2010 to 2015-2016 for the 80 facilities of the English National Health Service Breast Cancer Screening Program, together with estimates of DM usage for three time periods, enabled the effect of DM to be measured in a study of 11.3 million screening episodes in women aged 45-70 years (mean age, 59 years). Regression models were used to estimate percentage and absolute change in detection rates due to DM. Results The overall cancer detection rate was 14% greater with DM (P < .001). There were higher rates of detection of grade 1 and 2 invasive cancers (both ductal and lobular), but no change in the detection of grade 3 invasive cancers. The recall rate was almost unchanged by the introduction of DM. At prevalent (first) screening episodes for women aged 45-52 years, DM increased the overall detection rate by 19% (P < .001) and for incident screening episodes in women aged 53-70 years by 13% (P < .001). Conclusion The overall cancer detection rate was 14% greater with digital mammography with no change in recall rates and without confounding by changes in other factors. There was a substantially higher detection of grade 1 and grade 2 invasive cancers, including both ductal and lobular cancers, but no change in the detection of grade 3 invasive cancers. © RSNA, 2018 Online supplemental material is available for this article. See also the editorial by C.I. Lee and J.M. Lee in this issue.
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 | 0,001 |
| 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 ».