A Case-Control Study to Add Volumetric or Clinical Mammographic Density into the Tyrer-Cuzick Breast Cancer Risk Model
Notice bibliographique
Résumé
Abstract Background Accurate breast cancer risk assessment for women attending routine screening is needed to guide screening and preventive interventions. We evaluated the accuracy of risk predictions from both visual and volumetric mammographic density combined with the Tyrer-Cuzick breast cancer risk model. Methods A case-control study (474 patient participants and 2243 healthy control participants) of women aged 40–79 years was performed using self-reported classical risk factors. Breast density was measured by using automated volumetric software and Breast Imaging and Reporting Data System (BI-RADS) density categories. Odds ratios (95% CI) were estimated by using logistic regression, adjusted for age, demographic factors, and 10-year risk from the Tyrer-Cuzick model, for a change from the 25th to 75th percentile of the adjusted percent density distribution in control participants (IQ-OR). Results After adjustment for classical risk factors in the Tyrer-Cuzick model, age, and body mass index (BMI), BI-RADS density had an IQ-OR of 1.55 (95% CI = 1.33 to 1.80) compared with 1.40 (95% CI = 1.21 to 1.60) for volumetric percent density. Fibroglandular volume (IQ-OR = 1.28, 95% CI = 1.12 to 1.47) was a weaker predictor than was BI-RADS density (Pdiff = 0.014) or volumetric percent density (Pdiff = 0.065). In this setting, 4.8% of women were at high risk (8% + 10-year risk), using the Tyrer-Cuzick model without density, and 7.1% (BI-RADS) compared with 6.8% (volumetric) when combined with density. Conclusion The addition of volumetric and visual mammographic density measures to classical risk factors improves risk stratification. A combined risk could be used to guide precision medicine, through risk-adapted screening and prevention strategies.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».