A Comparative Modeling Analysis of Risk-Based Lung Cancer Screening Strategies
Notice bibliographique
Résumé
BACKGROUND: Risk-prediction models have been proposed to select individuals for lung cancer screening. However, their long-term effects are uncertain. This study evaluates long-term benefits and harms of risk-based screening compared with current United States Preventive Services Task Force (USPSTF) recommendations. METHODS: Four independent natural history models were used to perform a comparative modeling study evaluating long-term benefits and harms of selecting individuals for lung cancer screening through risk-prediction models. In total, 363 risk-based screening strategies varying by screening starting and stopping age, risk-prediction model used for eligibility (Bach, PLCOm2012, or Lung Cancer Death Risk Assessment Tool [LCDRAT]), and risk threshold were evaluated for a 1950 US birth cohort. Among the evaluated outcomes were percentage of individuals ever screened, screens required, lung cancer deaths averted, life-years gained, and overdiagnosis. RESULTS: Risk-based screening strategies requiring similar screens among individuals ages 55-80 years as the USPSTF criteria (corresponding risk thresholds: Bach = 2.8%; PLCOm2012 = 1.7%; LCDRAT = 1.7%) averted considerably more lung cancer deaths (Bach = 693; PLCOm2012 = 698; LCDRAT = 696; USPSTF = 613). However, life-years gained were only modestly higher (Bach = 8660; PLCOm2012 = 8862; LCDRAT = 8631; USPSTF = 8590), and risk-based strategies had more overdiagnosed cases (Bach = 149; PLCOm2012 = 147; LCDRAT = 150; USPSTF = 115). Sensitivity analyses suggest excluding individuals with limited life expectancies (<5 years) from screening retains the life-years gained by risk-based screening, while reducing overdiagnosis by more than 65.3%. CONCLUSIONS: Risk-based lung cancer screening strategies prevent considerably more lung cancer deaths than current recommendations do. However, they yield modest additional life-years and increased overdiagnosis because of predominantly selecting older individuals. Efficient implementation of risk-based lung cancer screening requires careful consideration of life expectancy for determining optimal individual stopping ages.
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 | 0,001 |
| 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 ».