Variation in the efficacy of low-dose computed tomographic lung screening based on risk of lung cancer mortality in the National Lung Screening Trial.
Notice bibliographique
Résumé
1523 Background: Low-dose computed tomography (LDCT) screening reduced lung cancer mortality by 20% in the National Lung Screening Trial (NLST). The efficacy of LDCT screening could be improved by targeting smokers at highest risk of lung cancer death, provided that the efficacy of LDCT screening increases with lung cancer mortality risk. Methods: We evaluated the efficacy of LDCT screening as compared to chest radiography in the NLST across groups defined by participants’ 5-year risk of lung cancer mortality at randomization, which was estimated using a validated prediction model. Across quintiles of 5-year lung cancer mortality risk [Q1: 0.15%-0.55%, Q2: 0.56%-0.84%, Q3: 0.85%-1.24%, Q4: 1.24%-2.0%, Q5: >2.0%], we estimated the number of participants with false positive screens, the number of prevented lung cancer deaths, and their ratio. Results: The number of prevented lung cancer deaths due to LDCT screening increased in tandem with lung cancer mortality risk (Q1=0.2, Q2=3.5, Q3=5.1, Q4=11.0, Q5=12.0 per 10,000 person-years; P-trend=0.01). The number of participants with false positive screens per lung cancer death prevented, a measure of screening efficiency, significantly decreased with increasing risk (Q1=1,648, Q2=181, Q3=147, Q4=64, Q5=65, P-trend<0.001). The 60% of participants at highest 5-year lung cancer mortality risk (0.85% or greater) accounted for 88% of LDCT-preventable lung cancer deaths and included only 64% of participants with a false positive screen. The 20% of participants at lowest lung cancer mortality risk (0.15%-0.55%) accounted for only 1% of LDCT-preventable lung cancer deaths. Conclusions: In the NLST, LDCT screening prevented the most lung cancer mortality among those at highest lung cancer mortality risk and prevented almost no mortality among those at lowest risk, providing empirical support for risk-based targeting of smokers to improve the efficacy of LDCT 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 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 | 0,086 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».