What do you think overdiagnosis means? A qualitave analysis of responses from a national community survey of Australians?
Notice bibliographique
Résumé
Objective: Overdiagnosis occurs when someone is diagnosed with a disease that will not harm them. Against a backdrop of growing evidence and concern about the risk of overdiagnosis associated with certain screening activities, and recognition of the need to better inform the public about it, we aimed to ask what the Australian community understood overdiagnosis to mean. Design, setting and participants: Content analysis of verbatim responses from a randomly sampled community telephone survey of 500 Australian adults, between January and February 2014. Data were analysed independently by two researchers. Main outcome measures: Analysis of themes arising from community responses to open-ended questions about the meaning of overdiagnosis. Results: The sample was broadly representative of the Australian population. Forty per cent of respondents thought overdiagnosis meant exaggerating a condition that was there, diagnosing something that was not there or too much diagnosis. Twenty-four per cent described overdiagnosis as overprescribing, overtesting or overtreatment. Only 3% considered overdiagnosis meant doctors gained financially. No respondents mentioned screening in conjunction with overdiagnosis, and over 10% of participants were unable to give an answer. Conclusions: Around half the community surveyed had an approximate understanding of overdiagnosis, although no one identified it as a screening risk and a quarter equated it with overuse. Strategies to inform people about the risk of overdiagnosis associated with screening and diagnostic tests, in clinical and public health settings, could build on a nascent understanding of the nature of the problem.
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 | 0,012 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».