Systems mapping: a novel approach to national lung cancer screening implementation in Australia
Notice bibliographique
Résumé
Background: Lung cancer screening with low-dose computed tomography has been started in some high-income countries and is being considered in others. In many settings uptake remains low. Optimal strategies to increase uptake, including for high-risk subgroups, have not been elucidated. This study used a system dynamics approach based on expert consensus to identify (I) the likely determinants of screening uptake and (II) interactions between these determinants that may affect screening uptake. Methods: Consensus data on key factors influencing screening uptake were developed from existing literature and through two stakeholder workshops involving clinical and consumer experts. These factors were used to develop a causal loop diagram (CLD) of lung cancer screening uptake. Results: The CLD comprised three main perspectives of importance for a lung cancer screening program: participant, primary care, and health system. Eight key drivers in the system were identified within these perspectives that will likely influence screening uptake: (I) patient stigma; (II) patient fear of having lung cancer; (III) patient health literacy; (IV) patient waiting time for a scan appointment; (V) general practitioner (GP) capacity; (VI) GP clarity on next steps after an abnormal computed tomography (CT); (VII) specialist capacity to accept referrals and undertake evaluation; and (VIII) healthcare capacity for scanning and reporting. Five key system leverage points to optimise screening uptake were also identified: (I) patient stigma influencing willingness to receive a scan; (II) GP capacity for referral to scans; (III) GP capacity to increase patients' health literacy; (IV) specialist capacity to connect patients with timely treatment; and (V) healthcare capacity to reduce scanning waiting times. Conclusions: This novel approach to investigation of lung cancer screening implementation, based on Australian expert stakeholder consensus, provides a system-wide view of critical factors that may either limit or promote screening uptake.
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 | 0,023 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».