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 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 | 0,034 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,032 | 0,052 |
| Bibliométrie | 0,010 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».