Women’s perceptions of PERSPECTIVE: a breast cancer risk stratification e-platform
Notice bibliographique
Résumé
BACKGROUND: Breast cancer risk stratification categorizes a woman's potential risk of developing the disease as near-population, intermediate, or high. In accordance, screening and follow up for breast cancer can readily be tailored following risk assessment. Recent efforts have focussed on developing more accessible means to convey this information to women. This study sought to document the relevance of an informational e-platform developed for these purposes. OBJECTIVE: To begin to assess a newly developed breast cancer risk stratification and decision support e-platform called PERSPECTIVE (PErsonalised Risk Stratification for Prevention and Early deteCTIon of breast cancer) among women who do not know their personal breast cancer risk (Phase 1). Changes (pre- and post- e-platform exposure) in knowledge of breast cancer risk and interest in undergoing genetic testing were assessed in addition to perceptions of platform usability and acceptability. METHODS: Using a pre-post design, women (N = 156) of differing literacy and education levels, aged 30 to 60, with no previous breast cancer diagnosis were recruited from the general population and completed self-report e-questionnaires. RESULTS: Mean e-platform viewing time was 18.67 min (SD 0.65) with the most frequently visited pages being breast cancer-related risk factors and risk assessment. Post-exposure, participants reported significantly higher breast cancer-related knowledge (p < .001). Increases in knowledge relating to obesity, alcohol, breast density, menstruation, and the risk estimation process remained even when sociodemographic variables age and education were controlled. There were no significant changes in genetic testing interest post-exposure. Mean ratings for e-platform acceptability and usability were high: 26.19 out of 30 (SD 0.157) and 42.85 out of 50 (SD 0.267), respectively. CONCLUSIONS: An informative breast cancer risk stratification e-platform targeting healthy women in the general population can significantly increase knowledge as well as support decisions around breast cancer risk and assessment. Currently underway, Phase 2, called PERSPECTIVE, is seeking further content integration and broader implementation .
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».