Quality requirements to establish a successful lung cancer screening program
Notice bibliographique
Résumé
Lung cancer is the leading cause of cancer-related deaths globally.There is a strong body of evidence from the last two decades to support the effectiveness of lung cancer screening (LCS) with low radiation dose computed tomography (LDCT) in reducing lung cancer mortality and all-cause mortality.National programmes are approved and either ongoing or in planning in Poland, Croatia, the UK, Canada, Australia and the US.Other countries are proceeding with pilot programmes, some of which are framed as research studies.The European Commission's Group of Chief Scientific Advisors recommended that lung cancer screening (LCS) be added to the other established cancer screening programs in Europe and the European Council recommended that LCS be implemented in a stepwise approach depending on national priorities.However, it is essential that clinical and cost-effectiveness shown in studies and pilot programmes are replicated in national programmes.This is achieved through the use of evidence-based strategies across each element of screening from participant selection to treatment.This review addresses key quality requirements identified in the literature which must form part of a successful LCS program.We describe the challenges and, where possible, suggest solutions for the implementation of screening.We will highlight the areas for further research including risk-prediction models for screening eligibility, optimising recruitment methods, personalisation of screening intervals, biomarkers, smoking cessation integration, and artificial intelligence.
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 | 0,382 | 0,563 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».