Strategies to improve implementation of cascade testing in hereditary cancer syndromes: a systematic review
Notice bibliographique
Résumé
Hereditary cancer syndromes constitute approximately 10% of all cancers. Cascade testing involves testing of at-risk relatives to determine if they carry the familial pathogenic variant. Despite growing efforts targeted at improving cascade testing uptake, current literature continues to reflect poor rates of uptake, typically below 30%. This study aims to systematically review current literature on intervention strategies to improve cascade testing, assess the quality of intervention descriptions and evaluate the implementation outcomes of listed interventions. We searched major databases using keywords and subject heading of "cascade testing". Interventions proposed in each study were classified according to the Effective Practice and Organization of Care (EPOC) taxonomy. Quality of intervention description was assessed using the TIDieR checklist, and evaluation of implementation outcomes was performed using Proctor's Implementation Outcomes Framework. Improvements in rates of genetic testing uptake was seen in interventions across the different EPOC taxonomy strategies. The average TIDieR score was 7.3 out of 12. Items least reported include modifications (18.5%), plans to assess fidelity/adherence (7.4%) and actual assessment of fidelity/adherence (7.4%). An average of 2.9 out of 8 aspects of implementation outcomes were examined. The most poorly reported outcomes were cost, fidelity and sustainability, with only 3.7% of studies reporting them. Most interventions have demonstrated success in improving cascade testing uptake. Uptake of cascade testing was highest with delivery arrangement (68%). However, the quality of description of interventions and assessment of implementation outcomes are often suboptimal, hindering their replication and implementation downstream. Therefore, further adoption of standardized guidelines in reporting of interventions and formal assessment of implementation outcomes may help promote translation of these interventions into routine practice.
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 | 0,029 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,015 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».