Densidade mamária e suas possibilidades terapêuticas no câncer de mama
Bibliographic record
Abstract
Objetivo: Descrever o impacto da densidade mamária como fator de risco para o câncer de mama, considerando o impacto diagnóstico e as opções diagnósticas e terapêuticas. Métodos: Trata-se de revisão sistemática baseada nas diretrizes PRISMA, utilizando a estratégia PICOS para definir a pergunta de pesquisa. Foram analisados artigos publicados entre 2019 e 2024 nas bases SciELO, BVS e PubMed. Os critérios de inclusão e exclusão foram aplicados na seleção dos estudos, cuja qualidade foi avaliada pela Escala Newcastle-Ottawa. Resultados: A análise mostrou que a alta densidade mamária contribui para o diagnóstico tardio do câncer, reduzindo a eficácia da mamografia. A ressonância magnética e a tomossíntese digital são alternativas promissoras. Além disso, terapias como tamoxifeno e vitamina D demonstraram potencial na redução da densidade mamária, podendo melhorar a detecção do câncer. Considerações finais: Adensidade mamária elevada é um desafio no diagnóstico precoce do câncer de mama, exigindo estratégias diagnósticas complementares e acessíveis para melhorar a detecção em mulheres com mamas densas. Além disso, é reforçado o papel de terapias hormonais e nutricionais na redução desse fator de risco.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".