Dépister ou ne pas dépister (une revue systématique des recommandations de pratique sur les dépistages de masse)
Bibliographic record
Abstract
Contexte: Les guides de pratique sur les dépistages de masse se sont multipliés et couvrent un nombre croissant de problèmes de santé. Les médecins généralistes peuvent avoir des difficultés pour les connaître et les mettre en oeuvre de manière appropriée. Objectifs: Identifier les recommandations sur les dépistages de masse en soins primaires selon leur grade. Méthodologie: Nous avons effectué une revue systématique de la littérature internationale dans les bases de données Medline et Web of Science ainsi que dans six sources majeures de guides de pratiques. Les guides de pratiques sur le dépistage publiés de mars 2002 à août 2012 ont été inclus. Le système de gradation du NICE a été utilisé pour reclasser les grades des recommandations de tous les guides de pratiques inclus. Résultats: Cent quarante-neuf guides de pratiques ont été identifiés, comprenant 228 recommandations couvrant 65 problèmes de santé (80 avec les subdivisions). Ces recommandations étaient prescriptives pour 27 problèmes de santé, proscriptives pour 40, et divergentes pour 13. Douze problèmes de santé étaient couverts par de fortes recommandations (grade A) pour le dépistage de masse et six par de fortes recommandations contre. Les recommandations proscriptives étaient plus fréquemment de plus bas grade (66% avec un grade C ou D), en comparaison avec les recommandations prescriptives (31 %, p<0,001). Nous n'avons trouvé qu'une seule forte recommandation prescriptive (sur l'infection à Chlamydia) chez les adolescents et aucune chez les enfants. L'appareil uro-génital (16 problèmes de santé), la grossesse (14) et le système cardio-vasculaire (10) étaient les principaux appareils corporels concernés par les recommandations de dépistage. Parmi les dépistages recommandés, 17 étaient basés sur des tests biologiques, 13 sur des tests cliniques et 6 sur des imageries. Les recommandations étaient émises par des agences nationales (42%) ou des sociétés de spécialités (58%), principalement en provenance des Etats-Unis (74%), du Royaume Uni (9%) et du Canada (7%). Les recommandations proscriptives étaient plus souvent produites par les agences nationales que par les sociétés de spécialité (51% contre 25%, p=O.OOl). Conclusions: Les médecins devraient mieux suivre les recommandations de haut grade pour protéger leurs patients contre le surdiagnostic et se protéger eux-mêmes contre le risque de poursuite judiciaire. Pour améliorer le respect des recommandations, leurs rédacteurs devraient définir avec attention les problèmes de santé couverts et utiliser un système de gradation standard. Des indicateurs pertinents pour évaluer la balance bénéfices-risques, de même que la limite d'âge supérieure et l'intervalle de dépistage, devraient être fournis pour chaque recommandation.
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 | 0.133 | 0.350 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.004 |
| Bibliometrics | 0.015 | 0.013 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.011 | 0.014 |
| Open science | 0.005 | 0.006 |
| Research integrity | 0.006 | 0.009 |
| Insufficient payload (model declined to judge) | 0.009 | 0.007 |
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".