Risk prediction for lung cancer screening: a systematic review and meta-regression
Notice bibliographique
Résumé
BACKGROUND: Lung cancer (LC) remains the deadliest cancer, often diagnosed at advanced stages. Screening reduces mortality in high-risk individuals. Eligibility criteria in European and US screening guidelines have recently expanded. Therefore, we conducted an updated systematic review of risk-based models for identifying candidates for low-dose computed tomography screening and post-screening nodule classification. METHODS: We systematically searched Embase and Medline (January 2020-January 2026), identifying studies proposing new risk models in the context of LC screening. We separated models by pre- and post-screening risk stratification. Data extraction included study design, population, model type, risk horizon and model performance metrics. We performed an exploratory meta-regression of areas under the curve (AUCs) to assess whether sample size, model type, validation type and inclusion of biomarkers were associated with performance. RESULTS: Of 2462 records, 91 were included. 56 models were for screening selection (30 included biomarkers) and 35 for post-screening nodule classification. Regression-based models predominated, though machine-learning approaches were increasingly common. Discrimination ranged from moderate (AUC∼0.70) to excellent (>0.90), with biomarker and imaging-enhanced models often outperforming models without. Calibration was inconsistently reported and fewer than half underwent external validation. CONCLUSION: We identified 91 risk prediction models for LC, developed after 2020. Although many demonstrated promising discrimination across both screening selection and post-screening management, most remain insufficiently mature for clinical adoption, as their performance and practical value outside the original study setting are uncertain. Future work should prioritise external validation, updating and comparative evaluation of existing models, and prospective implementation studies rather than continued development of additional models.
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 | 0,028 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,016 | 0,049 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».