Benefits, harms and cost-effectiveness of cervical screening, triage and treatment strategies for women in the general population
Notice bibliographique
Résumé
In 2020, the World Health Organization (WHO) launched a strategy to eliminate cervical cancer as a public health problem. To support the strategy, the WHO published updated cervical screening guidelines in 2021. To inform this update, we used an established modeling platform, Policy1-Cervix, to evaluate the impact of seven primary screening scenarios across 78 low- and lower-middle-income countries (LMICs) for the general population of women. Assuming 70% coverage, we found that primary human papillomavirus (HPV) screening approaches were the most effective and cost-effective, reducing cervical cancer age-standardized mortality rates by 63-67% when offered every 5 years. Strategies involving triaging women before treatment (with 16/18 genotyping, cytology, visual inspection with acetic acid (VIA) or colposcopy) had close-to-similar effectiveness to HPV screening without triage and fewer pre-cancer treatments. Screening with VIA or cytology every 3 years was less effective and less cost-effective than HPV screening every 5 years. Furthermore, VIA generated more than double the number of pre-cancer treatments compared to HPV. In conclusion, primary HPV screening is the most effective, cost-effective and efficient cervical screening option in LMICs. These findings have directly informed WHO's updated cervical screening guidelines for the general population of women, which recommend primary HPV screening in a screen-and-treat or screen-triage-and-treat approach, starting from age 30 years with screening every 5 years or 10 years.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».