Risk prediction models for lung cancer in people who have never smoked: a protocol of a systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Lung cancer is one of the most commonly diagnosed cancers and the leading cause of cancer-related death worldwide. Although smoking is the primary cause of the cancer, lung cancer is also commonly diagnosed in people who have never smoked. Currently, the proportion of people who have never smoked diagnosed with lung cancer is increasing. Despite this alarming trend, this population is ineligible for lung screening. With the increasing proportion of people who have never smoked among lung cancer cases, there is a pressing need to develop prediction models to identify high-risk people who have never smoked and include them in lung cancer screening programs. Thus, our systematic review is intended to provide a comprehensive summary of the evidence on existing risk prediction models for lung cancer in people who have never smoked. METHODS: Electronic searches will be conducted in MEDLINE (Ovid), Embase (Ovid), Web of Science Core Collection (Clarivate Analytics), Scopus, and Europe PMC and Open-Access Theses and Dissertations databases. Two reviewers will independently perform title and abstract screening, full-text review, and data extraction using the Covidence review platform. Data extraction will be performed based on the Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modeling Studies (CHARMS). The risk of bias will be evaluated independently by two reviewers using the Prediction model Risk-of-Bias Assessment Tool (PROBAST) tool. If a sufficient number of studies are identified to have externally validated the same prediction model, we will combine model performance measures to evaluate the model's average predictive accuracy (e.g., calibration, discrimination) across diverse settings and populations and explore sources of heterogeneity. DISCUSSION: The results of the review will identify risk prediction models for lung cancer in people who have never smoked. These will be useful for researchers planning to develop novel prediction models, and for clinical practitioners and policy makers seeking guidance for clinical decision-making and the formulation of future lung cancer screening strategies for people who have never smoked. SYSTEMATIC REVIEW REGISTRATION: This protocol has been registered in PROSPERO under the registration number CRD42023483824.
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.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 découle