Krebsfrüherkennung: Immer mehr, immer genauer
Bibliographic record
Abstract
Liebe Leserin, lieber Leser, könnten Sie spontan einem Patienten antworten, der Sie fragt, welche Krebsvorsorge-Untersuchungen er machen lassen soll? Vermutlich müssten Sie auch erst nachschlagen: Allein die von den Kassen erstatteten Früherkennungen füllen ganze Tabellen. Je nach Alter und Geschlecht kommen da mehrere Untersuchungen pro Jahr zusammen. Bisher ist es v. a. Sache des Patienten und seines behandelnden Arztes, sich darum zu kümmern. Einzige Ausnahme: der Brustkrebs. Für das Mammografie-Screening werden sämtliche Frauen im Alter von 50–69 alle 2 Jahre angeschrieben und zur Vorsorgeuntersuchung eingeladen. Ähnliche Programme dürfte es demnächst für weitere Krebsarten geben: Ende Januar verabschiedete der Bundestag den Entwurf des Gesetzes zur Weiterentwicklung der Krebsfrüherkennung und zur Qualitätssicherung durch klinische Krebsregister . Dieses sieht vor, auch für Gebärmutterhals- und Darmkrebs ein Einladungsverfahren zu etablieren. Der Gemeinsame Bundesausschuss (G-BA) soll hierfür entsprechende Richtlinien verfassen. Außerdem soll der G-BA zukünftig festlegen, ab welchem Alter und wie häufig die gesetzlich Versicherten eine Untersuchung in Anspruch nehmen können. Dies war bisher gesetzlich geregelt. Manche Ärzte befürchten allerdings, eine intensivierte Früherkennung könnte mehr schaden als nutzen. So erwartet z. B. der Onkologe Prof. Dr. Hermann Delbrück in Zukunft mehr falsch-positive Befunde – und eine weitere Überdiagnostik und Übertherapie von latenten Karzinomen, die vielleicht nie invasiv geworden wären (Dtsch Arztebl 2012; 109: A 1933). Oft könne man nicht einschätzen, wie aggressiv ein sehr früh entdeckter Tumor ist, entsprechend problematisch seien Therapieentscheidungen. Delbrück rät daher, Krebsvorsorge viel individualisierter zu betreiben – und die Primärprävention in Form eines gesunden Lebensstils nicht zu vergessen. Und wenn ein Patient Sie um eine konkrete Empfehlung bittet, sollten Sie im Idealfall nicht nur die standardisierten Untersuchungsintervalle parat haben, sondern auch sein individuelles Risiko berücksichtigen. Klingt kompliziert? Zumindest für einige Krebsarten finden Sie einen ersten Überblick im Titelthema dieses Heftes ab Seite 88. Mögen die Beiträge reichlich Anregungen bieten, das Thema weiter zu verfolgen! Mit herzlichen Grüßen Ihre Herausgeber und Ihre Redaktion Herausgeber P. Galle, Mainz G. Geldner, Ludwigsburg A. Königsrainer, Tübingen F.-G. B. Pajonk, Schäftlarn Experten-Panel P. Berlit, Essen S. Bleich, Hannover J. Bossenmayer, Stuttgart H.- P. Bruch, Lübeck M. Christ, Nürnberg B. Debong, Karlsruhe T. Hemmerling, Montreal D. F. Hollo, Celle J. Riemann, Ludwigshafen Schlichtungsstelle für Arzthaftpflichtfragen der norddeutschen Ärztekammern, Hannover Redaktion Dr. Daniela Erhard Georg Thieme Verlag KG Rüdigerstraße 14 74069 Stuttgart E-Mail: legeartis@thieme.de
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.069 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".