Natural history models for lung Cancer: A scoping review
Notice bibliographique
Résumé
INTRODUCTION: Natural history models (NHMs) of lung cancer (LC) simulate the disease's natural progression providing a baseline for assessing the impact of interventions. NHMs have been increasingly used to inform public health policies, highlighting their utility. The objective of this scoping review was to summarize existing LC NHMs, identify their limitations, and propose a framework for future NHM development. METHODS: We searched MEDLINE, Embase, Web of Science, and IEEE Xplore from their inception to October 5, 2023, for peer-reviewed, full-length articles with an LC NHM. Model characteristics, their applications, data sources used, and limitations were extracted and narratively synthesized. RESULTS: From 238 publications, 69 publications were included in our review, corresponding to 22 original LC NHMs and 47 model applications. The majority of the models (n = 15, 68 %) used a microsimulation approach. NHM parameters were predominately informed by cancer registries, trial and institutional data, and literature. Model quality and performance were evaluated in 8 (36 %) models. Twenty (91 %) models included at least one carcinogenesis risk factor-primarily age, sex, and smoking history. Three (14 %) LC NHMs modeled progression in never-smokers; one (5 %) addressed recurrence. Non-tobacco smoking, nodule type, and biomarker expression were not considered in existing NHMs. Based on our findings, we proposed a framework for future LC NHM development which incorporates recurrence, nodule type differentiation, biomarker expression levels, biological factors, and non-smoking-related risk factors. CONCLUSION: Regular updating and future research are warranted to address limitations in existing NHMs thereby ensuring relevance and accuracy of modeling approaches in the evolving LC landscape.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».