The Impact of Model Assumptions on Personalized Lung Cancer Screening Recommendations
Notice bibliographique
Résumé
BACKGROUND: Recommendations regarding personalized lung cancer screening are being informed by natural-history modeling. Therefore, understanding how differences in model assumptions affect model-based personalized screening recommendations is essential. DESIGN: Five Cancer Intervention and Surveillance Modeling Network (CISNET) models were evaluated. Lung cancer incidence, mortality, and stage distributions were compared across 4 theoretical scenarios to assess model assumptions regarding 1) sojourn times, 2) stage-specific sensitivities, and 3) screening-induced lung cancer mortality reductions. Analyses were stratified by sex and smoking behavior. RESULTS: Most cancers had sojourn times <5 y (model range [MR]; lowest to highest value across models: 83.5%-98.7% of cancers). However, cancer aggressiveness still varied across models, as demonstrated by differences in proportions of cancers with sojourn times <2 y (MR: 42.5%-64.6%) and 2 to 4 y (MR: 28.8%-43.6%). Stage-specific sensitivity varied, particularly for stage I (MR: 31.3%-91.5%). Screening reduced stage IV incidence in most models for 1 y postscreening; increased sensitivity prolonged this period to 2 to 5 y. Screening-induced lung cancer mortality reductions among lung cancers detected at screening ranged widely (MR: 14.6%-48.9%), demonstrating variations in modeled treatment effectiveness of screen-detected cases. All models assumed longer sojourn times and greater screening-induced lung cancer mortality reductions for women. Models assuming differences in cancer epidemiology by smoking behaviors assumed shorter sojourn times and lower screening-induced lung cancer mortality reductions for heavy smokers. CONCLUSIONS: Model-based personalized screening recommendations are primarily driven by assumptions regarding sojourn times (favoring longer intervals for groups more likely to develop less aggressive cancers), sensitivity (higher sensitivities favoring longer intervals), and screening-induced mortality reductions (greater reductions favoring shorter intervals). IMPLICATIONS: Models suggest longer screening intervals may be feasible and benefits may be greater for women and light smokers. HIGHLIGHTS: Natural-history models are increasingly used to inform lung cancer screening, but causes for variations between models are difficult to assess.This is the first evaluation of these causes and their impact on personalized screening recommendations through easily interpretable metrics.Models vary regarding sojourn times, stage-specific sensitivities, and screening-induced lung cancer mortality reductions.Model outcomes were similar in predicting greater screening benefits for women and potentially light smokers. Longer screening intervals may be feasible for women and light smokers.
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 | 0,025 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».