Annals of Internal Medecine, 17 novembre 2009, vol. 151 Bibliographie du 01 décembre 2009

Annals of Internal Medecine, 17 novembre 2009, vol. 151Bibliographie du 01 décembre 2009

Cancer du sein (US): 193 370 cas, 40170 décès en 2009

Dépistage: Mammographie: 50 – 69 ans

Controverse: politique optimale?Age: début / finPériodicitéBalance bénéfices - inconvénients

Evaluer la stratégie de dépistage du cancer du sein aux USA:BénéficesInconvénientsConsommation de ressources

Extension des résultats d’essais randomisés:Population déjà viséeGroupes d’âge: résultats moins concluants

6 modèles de cancer du sein (CS): Paramètres communs:o Incidenceo Caractéristiques intrinsèques de la

mammographieo Algorithme de ttt et ses effetso Autres causes de décès

Variables spécifiques à chaque modèle:o Période de détection précliniqueo Période d’extensiono Stades de la maladie et distribution chez femmes

dépistées VS non-dépistées

Sources:

20 stratégies de dépistage: annuel ou biennal

Cohorte:Femmes: nées en 1960Suivi: 25 ans jusqu’à fin de vieType « âge-période »: effet de l’âge sur

l’incidence à une périodeDétection= mammographie

Stade préclinique ou petite tumeurRéduction de la mortalité

Adhésion (dépistage+ttt)= 100%

Bénéfices: Réduction de la mortalité (%)« Survie » (années)

InconvénientsMammographies: Faux-positifsBiopsies inutilesSurdiagnostic

« Base-case analysis »: classement des stratégies les + efficacesChaque modèle: efficace / dominée6 modèles: dominée en tout / efficace / limiteFrontière d’efficacité: + grand gain en santé

par mammographie supplémentaire « Sensitivity analysis »: variation du

classement liée aux variablesSe mammographie en fonction de l’âgeTtt: + adjuvant hormonal ou non o 100% cohorteo Selon le modèle de ttt actuel

Absence de dépistage après 40 ans:Risque de développer un CS: 12-15%Probabilité de décès lié au CS: 3%

Réduction de la mortalité:par rapport à l’absence de dépistage

(3%)Fonction nb de mammographies

8 stratégies « efficaces »: non dominéesoBiennales: 7/8 ▪ Début à 50 ans: 5/7▪ Extension › 69 ans: efficacité similaire

Survie: Stratégie biennale: 6/8 Début à 40 ans: 50% des modèles

% réduction de mortalité maintenue: Annuelle Biennale: 81% (67-99%)

Extension de l’âge de début ou de fin du dépistageRéduction mortalité: fin › début

o Fin 79 ans (vs 69 ans): 8% A, 7% Bo Début 40 ans (vs 50 ans): 3% A+B

Survie: début › fin (3/6 modèles )o Début 40 ans: 33 ans (11-58)o Fin 79 ans: 24 ans (18-38)

Taux de mammographies FP: augmenté (×2)Début à 40 ansStratégie annuelle

Biopsies inutiles: 7%, annuel › biennal Surdiagnostic

Age (5/6 modèles), surtout les + âgéesCIS › cancer invasif, surtout les + jeunesExtension: au-delà 69 ans › à partir 40 ansAnnuel › biennal (›50%)

Concordance avec les essais réalisés et la physiopathologie connue

Puissance: modélisationNombre de patientes, suivi prolongéValidation « croisée »

Manque de données: Chez ›74 ans (Δg en excès)Physiopathologie (CIS, période préclinique, … )

Evaluation bénéfices-inconvénients: Cohorte: ≠ reflet individuelHypothèse: 100% d’adhésionSous-groupes à risque non considérés: mutation

BRCA 1 ou 2 / état de santé / femmes noires Absence d’évaluation:

Morbidité de la chirurgieAltération de la qualité de vie: FP, surΔg, vivre avec

le Δg de cancerStratégies mixtesCoûts

Cohorte de 1960: extrapolation future?

Efficacité du dépistage: biennal › annuel

Ages optimaux de début / de fin:Objectifs du dépistageoRéduire la mortalité: extension date de finoAugmenter la survie: extension date de début

RessourcesValeurs données aux essais précédentsBalance bénéfices-inconvénientsConsidérations pour l’efficacité (FP, Δg

en excès) et l’équité

Effects of Mammography Screening Under Different Screening Schedules: Model Estimates of Potential Benefits and Harms

Annals of Internal Medecine, 17 novembre 2009, vol. 151

Auteurs: Jeanne S. Mandelblatt, MD, MPH; Kathleen A. Cronin, PhD; Stephanie Bailey, PhD; Donald A. Berry, PhD; Harry J. de Koning, MD, PhD; Gerrit Draisma, PhD; Hui Huang, MS; Sandra J. Lee, DSc; Mark Munsell, MS; Sylvia K. Plevritis, PhD; Peter Ravdin, MD, PhD; Clyde B. Schechter, MD, MA; Bronislava Sigal, PhD; Michael A. Stoto, PhD; Natasha K. Stout, PhD; Nicolien T. van Ravesteyn, MSc; John Venier, MS; Marvin Zelen, PhD; and Eric J. Feuer, PhD; for the Breast Cancer Working Group of the Cancer Intervention and Surveillance Modeling Network (CISNET)*