MétaCan
Menu
Retour à la cohorte
Enregistrement W4308188087 · doi:10.1093/jnci/djac200

RE: Informing women about overdetection in breast cancer screening: Two-year outcomes from a randomized trial

2022· letter· en· W4308188087 sur OpenAlexaff
Roni Kraut

Notice bibliographique

RevueJNCI Journal of the National Cancer Institute · 2022
Typeletter
Langueen
DomaineHealth Professions
ThématiquePatient-Provider Communication in Healthcare
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésRandomized controlled trialMedicineBreast cancerBreast cancer screeningGynecologyOncologyFamily medicineCancerObstetricsInternal medicineMammography

Résumé

récupéré en direct d'OpenAlex

The trial by Hersch et al. (1) entitled “Informing Women About Overdetection in Breast Cancer Screening: Two-Year Outcomes From a Randomized Trial” found that informing women of overdiagnosis with a decision aid improved knowledge of overdiagnosis but did not affect participation rates. Several other recent studies have similar findings, and these studies also only used decision aids (2-4). As a family physician, I have had strikingly different results with informing women. Since I started informing women in 2019, breast cancer screening rates for eligible low-risk women in my practice have decreased from 55% to 30%. I use the Canadian Task force 1000 women-chart (5) and spend no more than 5 minutes explaining the risk of false positives as well as overdiagnosis compared with the mortality benefit. Women are surprised and their typical response was “Why would I do the screening, with results like this?” My results may differ from published results because I directly discuss screening with women at the time of their decision. This corresponds with a Cochrane systematic review that found high-quality evidence decision aids can increase knowledge and better inform patients, but low-quality evidence helps people make decisions that are consistent with their values (6). Compounding this is the fact that overdiagnosis is difficult to communicate and an inherently difficult concept to understand (7). The intention to provide women a decision aid to make a more informed choice on breast cancer screening is admirable. However, to truly inform women and determine whether well-informed women choose less screening, a randomized controlled trial with women being informed via a direct conversation—ideally with a trusted health-care professional—at the time they make their decision would be advantageous. In addition, overdiagnosis may not only affect the women but may also have a multiplicative effect on their family members. Twenty-five percent of women 50-74 years old in my practice had a first-degree relative with breast cancer. Based on current evidence of overdiagnosis, upwards of one-quarter of these women may have been overdiagnosed (5), which means a significant proportion of family members of women diagnosed may unnecessarily carry the label and the corresponding anxiety of “higher risk for breast cancer” for their entire life. No funding was used for this correspondence. Role of the funder: Not applicable. Disclosure: The author declares no competing interests. Author contributions: Conceptualization, writing—original draft, writing—review & editing: RK. Acknowledgements: The author thanks Michelle Umali, office administrator at the medical clinic, for data analysis support, and Dr James Dickinson for review of the draft correspondence. There were no new data generated or used in this correspondence.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,099
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,102

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,099
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,004
Science ouverte0,0020,001
Intégrité de la recherche0,0180,011
Charge utile insuffisante (le modèle a refusé de juger)0,0240,005

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.

Tête enseignante Opus0,201
Tête enseignante GPT0,444
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueJNCI Journal of the National Cancer InstituteMême sujetPatient-Provider Communication in HealthcareTravaux en français237 207