Effectiveness of interventions for increasing lung cancer screening uptake: A systematic review and meta-analysis of randomized clinical trials
Notice bibliographique
Résumé
OBJECTIVE: This systematic review and meta-analysis aimed to evaluate the effectiveness of interventions for increasing lung cancer screening (LCS) uptake and to identify factors influencing their implementation. METHODS: We searched MEDLINE, CINAHL, EMBASE, Cochrane Library, and Web of Science from January 2010 to November 2025. Included studies were randomized controlled trials involving high-risk adults eligible for LCS with low-dose computed tomography, evaluating interventions to improve screening uptake as a primary or secondary outcome. RESULTS: Eleven trials were included, primarily from the United States (N = 9). Interventions were categorized as patient navigation, decision aids, educational video/film, targeted invitation/outreach, and multi-component intervention. Overall, interventions showed a modest but significant effect on LCS uptake (RR = 1.34; 95 % CI: 1.02, 1.76). The multi-component intervention (RR = 2.11; 95 % CI: 1.21, 3.68) demonstrated significant effects, while patient navigation showed potential (RR = 2.18; 95 % CI: 0.53, 9.08). Innovation and inner setting were identified as potentially important factors influencing intervention implementation. CONCLUSIONS: Interventions modestly increased LCS uptake, with multi-component intervention and patient navigation showing the most promising effects. Future research should prioritize multicomponent strategies that address the entire screening continuum, equity-focused designs for priority populations, and trials in diverse international settings.
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 | 0,048 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,005 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».