Knowledge of Overdiagnosis and the Decision To Participate in Breast Cancer Screening
Notice bibliographique
Résumé
In 2014, breast cancer was the second leading cause of death among Canadian women, with women over age 50 years making up 82% of the identified cases. To address this issue, the Ontario Breast Screening Program developed a media campaign that promoted the benefits of mammogram screening, but not the associated risks (i.e., false-positive, false-negative, radiation exposure, and overdiagnosis). This study was designed to determine whether there was a statistically significant relationship between knowledge of overdiagnosis and participation in mammogram screening. This cross-sectional, correlational study used schema theory supported by the effective health communication model. Forty-one women were invited to listen to a brief presentation on the benefits and risks of screening mammograms and then completed a modified Champion Health Belief Model Scale survey. Two sample t tests and logistic regression analyses of the survey scores showed that the data did not support any correlations with education and screening, but did indicate a correlation between overdiagnosis and participation. The less a participant felt that overdiagnosis was a negative consequence, the more likely they were to participate in breast screening. Survey participants also stated that promotions of mammograms should present balanced information about the benefits and risks of screening. The positive social change and policy implications of this study include providing women aged 50-69 years more information on overdiagnosis in mammograms so they are more informed participants in the decision-making process, and educating Ontario government policymakers with information about the barriers that women aged 50-69 years face in getting balanced information on mammography programs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».