Racial and Ethnic Disparities in Lung Cancer Screening by the 2021 USPSTF Guidelines Versus Risk-Based Criteria: The Multiethnic Cohort Study
Notice bibliographique
Résumé
BACKGROUND: In 2021, the US Preventive Services Task Force (USPSTF) revised its lung cancer screening guidelines to expand screening eligibility. We evaluated screening sensitivities and racial and ethnic disparities under the 2021 USPSTF criteria vs alternative risk-based criteria in a racially and ethnically diverse population. METHODS: In the Multiethnic Cohort, we evaluated the proportion of ever-smoking lung cancer cases eligible for screening (ie, screening sensitivity) under the 2021 USPSTF criteria and under risk-based criteria through the PLCOm2012 model (6-year risk ≥1.51%). We also calculated the screening disparity (ie, absolute sensitivity difference) for each of 4 racial or ethnic groups (African American, Japanese American, Latino, Native Hawaiian) vs White cases. RESULTS: Among 5900 lung cancer cases, 43.3% were screen eligible under the 2021 USPSTF criteria. Screening sensitivities varied by race and ethnicity, with Native Hawaiian (56.7%) and White (49.6%) cases attaining the highest sensitivities and Latino (37.3%), African American (38.4%), and Japanese American (40.0%) cases attaining the lowest. Latino cases had the greatest screening disparity vs White cases at 12.4%, followed by African American (11.2%) and Japanese American (9.6%) cases. Under risk-based screening, the overall screening sensitivity increased to 75.7%, and all racial and ethnic groups had increased sensitivities (54.5%-91.9%). Whereas the screening disparity decreased to 5.1% for African American cases, it increased to 28.6% for Latino cases and 12.8% for Japanese American cases. CONCLUSIONS: In the Multiethnic Cohort, racial and ethnic disparities decreased but persisted under the 2021 USPSTF lung cancer screening guidelines. Risk-based screening through PLCOm2012 may increase screening sensitivities and help to reduce disparities in some, but not all, racial and ethnic groups. Further optimization of risk-based screening strategies across diverse populations is needed.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».