Breast cancer early detection: A phased approach to implementation
Notice bibliographique
Résumé
When breast cancer is detected and treated early, the chances of survival are very high. However, women in many settings face complex barriers to early detection, including social, economic, geographic, and other interrelated factors, which can limit their access to timely, affordable, and effective breast health care services. Previously, the Breast Health Global Initiative (BHGI) developed resource-stratified guidelines for the early detection and diagnosis of breast cancer. In this consensus article from the sixth BHGI Global Summit held in October 2018, the authors describe phases of early detection program development, beginning with management strategies required for the diagnosis of clinically detectable disease based on awareness education and technical training, history and physical examination, and accurate tissue diagnosis. The core issues address include finance and governance, which pertain to successful planning, implementation, and the iterative process of program improvement and are needed for a breast cancer early detection program to succeed in any resource setting. Examples are presented of implementation, process, and clinical outcome metrics that assist in program implementation monitoring. Country case examples are presented to highlight the challenges and opportunities of implementing successful breast cancer early detection programs, and the complex interplay of barriers and facilitators to achieving early detection for breast cancer in real-world settings are considered.
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 | 0,176 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,016 | 0,010 |
| Science ouverte | 0,008 | 0,031 |
| Intégrité de la recherche | 0,006 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».