Participation and Ease of Use in Colorectal Cancer Screening: A Comparison of 2 Fecal Immunochemical Tests
Notice bibliographique
Résumé
INTRODUCTION: The impact of fecal immunochemical test (FIT)-based colorectal cancer (CRC) screening on disease incidence and mortality is affected by participation, which might be influenced by ease of use of the FIT. We compared the participation rates and ease of use of 2 different FITs in a CRC screening program. METHODS: There were two study designs within the Dutch CRC screening program. In a paired cohort study, all invitees received 2 FITs (OC-Sensor, Eiken, Japan, and FOB-Gold, Sentinel, Italy) and were asked to sample both from the same stool. Ease of use of both FITs was evaluated by a questionnaire. In a randomized controlled trial, invitees were randomly allocated to receive one of the 2 FITs to compare participation and analyzability. RESULTS: Of 42,179 invitees in the paired cohort study, 21,078 (50%) completed 2 tests and 20,727 (98%) returned the questionnaire. FOB-Gold was reported significantly easier to use. More participants preferred FOB-Gold (36%) than OC-Sensor (5%), yet most had no preference (59%; P < 0.001). In the randomized trial, 936 of 1,923 invitees (48.7%) returned the FOB-Gold and 940 of 1,923 invitees (48.9%) returned the OC-Sensor, a difference of -0.2% (confidence interval, -3.4% to 3.0%), well within the pre-specified 5% noninferiority margin (P = 0.001). Only one FOB-Gold (0.1%) and 4 OC-Sensors (0.4%) were not analyzable (P = 0.18). CONCLUSIONS: Although FOB-Gold was significantly but marginally considered easier to use than OC-Sensor, the number of analyzable tests and the participation rates in organized CRC screening are not affected when either of the FITs is implemented as a primary screening test.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».