Overdiagnosis and overuse of diagnostic and screening tests in low-income and middle-income countries: a scoping review
Notice bibliographique
Résumé
OBJECTIVE: Overdiagnosis and overuse of healthcare services harm individuals, take resources that could be used to address underuse, and threaten the sustainability of health systems. These problems are attracting increasing attention in low-income and middle-income countries (LMICs). Unaware of any review of relevant evidence, we conducted a scoping review of the evidence around overdiagnosis and overuse of diagnostic and screening tests in LMICs. DESIGN: Scoping review. METHODS: We searched PubMed, Embase, PsycINFO, Global Index Medicus for relevant studies published until 24 May 2021, with no restrictions on date or language. We categorised included studies by major focus (overdiagnosis, overuse of tests, or both) and main themes (presence or estimates of extent; drivers; consequences and solutions). RESULTS: We identified 2763 unique records and included 162 articles reporting on 154 studies across 55 countries, involving over 2.8 million participants and/or requests for tests. Almost half the studies focused on overdiagnosis (70; 45.5%), one-third on overuse of tests (61; 39.6%) and one-fifth on both (23; 14.9%). Common overdiagnosed conditions included malaria (61; 39.6%) and thyroid cancer (25; 16.2%), estimated to be >70% in China. Overused tests included imaging (n=25 studies) such as CT and MRI; laboratory investigations (n=18) such as serological tests and tumour markers; and procedures (n=14) such as colonoscopy. Drivers included fear of conflict with patients and expanding disease definitions. Common consequences included unnecessary treatments such as antimalarials, and wasted resources, with costs of malaria overdiagnosis estimated at US$86 million in Sudan in 1 year alone. Only 9% of studies discussed solutions, which included addressing inappropriately lowered diagnostic thresholds and reforming test-ordering processes. CONCLUSIONS: Overdiagnosis and overuse of tests are widespread in LMICs and generate significant harm and waste. Better understanding of the problems and robust evaluation of solutions is needed, informed by a new global alliance of researchers and policy-makers.
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 | 0,014 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».