Personalizing lung cancer screening recommendations for heterogeneous populations: a microsimulation study
Notice bibliographique
Résumé
BACKGROUND: There is little guidance on how to personalize recommendations for lung cancer screening that accounts for the variation in expected net benefit from screening. We sought to explore the individual and population implications of identifying net benefit thresholds where lung cancer screening could be encouraged, discouraged, or offered as an option through neutral shared decision making due to screening being highly preference sensitive. METHODS: With a simulated US population of 40- to 80-year-old individuals who had ever smoked, we used microsimulation to estimate individualized quality-adjusted life-years saved with lung cancer screening. We then identified 2 net benefit thresholds for lung cancer screening that account for a range of patient preferences and scientific uncertainties and compared this approach with the current United States Preventive Services Task Force (USPSTF) guidelines. RESULTS: Our simulated population included 59 million people. In total, 15 million were USPSTF eligible; of those, 53% (8 million) maintained net benefit, even after accounting for unfavorable preferences about screening. Of the USPSTF population, 3% (450 000) are considered low net benefit (routinely discourage) and 47% (7 million) are in an intermediate gray area, where net benefit depends on patient preferences about lung cancer screening (offer-neutral shared decision making). Among adults who had ever smoked, 2.5 million are high net benefit but excluded by current USPSTF criteria; 20.5 million US adults who had ever smoked are intermediate net benefit but currently excluded by USPSTF criteria. CONCLUSIONS: We estimate that half of the USPSTF lung cancer screening-eligible population is in a high-net-benefit group where lung cancer screening could be routinely encouraged. Current lung cancer screening eligibility criteria likely exclude many ever-smokers who are high net benefit and many more with intermediate net benefit.
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 | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».