Exploring Under and Overscreening to Address the Public Health Burden of Colorectal Cancer
Notice bibliographique
Résumé
Background: Cancer screening is only effective if eligible individuals participate in screening and do so at the recommended intervals. The objective of this dissertation was to explore two challenges in cancer screening: 1) strategies to mitigate non-participation (Studies 1 & 2); and 2) risk reduction after a complete colonoscopy (Study 3) to maximize patient outcomes and minimize risks for colorectal cancer (CRC). Methods: Study 1 included a systematic review and meta-analysis of randomized controlled trials or quasi-experimental studies evaluating the effectiveness of social media and mobile health (mHealth) interventions. In Study 2, we conducted a qualitative descriptive study with Facebook users of screen-eligible age to develop social media messages promoting CRC screening. Finally, we conducted a population-based retrospective cohort study to explore the association of complete colonoscopy with CRC incidence and mortality (Study 3) and the duration of risk reduction. A time to event analysis using a Cox-proportional hazards regression model with time-varying covariates was used to generate adjusted estimates. Results: In Study 1, we identified a total of 39 studies and the overall pooled odds ratio for screening participation was 1.49 (95% CI: 1.31–1.70) with effect sizes similar across all cancer types. In Study 2, we developed recommendations for 7 messages; 1 was classified as strongly consider, 4 as consider using this message and 2 as proceed with caution. Participants preferred social media messages that were believed to be credible, educational, and with a positive or reassuring tone. Finally, exposure to a complete negative colonoscopy was significantly associated with a lower risk of disease for more than 15 years (HR 0.710; 95% CI: 0.581-0.867 for females and HR 0.541; 95% CI: 0.436-0.672 for males) in comparison to those without a complete colonoscopy. A similar trend was observed for CRC-related mortality. Conclusions: Screening programs should consider incorporating mHealth and social media into their efforts to increase uptake. We have a provided a strong foundation of theory-informed social media messages that may be preferred by the target population. Finally, our data also suggest that more prolonged intervals than recommended by some guidelines could be considered after a complete negative colonoscopy.
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 | 0,025 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».