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

 Cancer du sein (US):  cas,  décès en 2009  Dépistage: Mammographie: 50 – 69 ans  Controverse: politique optimale?  Age: début / fin  Périodicité  Balance bénéfices - inconvénients

 Evaluer la stratégie de dépistage du cancer du sein aux USA:  Bénéfices  Inconvénients  Consommation de ressources  Extension des résultats d’essais randomisés:  Population déjà visée  Groupes d’âge: résultats moins concluants

 6 modèles de cancer du sein (CS):  Paramètres communs: o Incidence o Caractéristiques intrinsèques de la mammographie o Algorithme de ttt et ses effets o Autres causes de décès  Variables spécifiques à chaque modèle: o Période de détection préclinique o Période d’extension o Stades de la maladie et distribution chez femmes dépistées VS non-dépistées

 Sources:

 20 stratégies de dépistage: annuel ou biennal

 Cohorte:  Femmes: nées en 1960  Suivi: 25 ans jusqu’à fin de vie  Type « âge-période »: effet de l’âge sur l’incidence à une période  Détection= mammographie  Stade préclinique ou petite tumeur  Réduction de la mortalité  Adhésion (dépistage+ttt)= 100%

 Bénéfices:  Réduction de la mortalité (%)  « Survie » (années)  Inconvénients  Mammographies: Faux-positifs  Biopsies inutiles  Surdiagnostic

 « Base-case analysis »: classement des stratégies les + efficaces  Chaque modèle: efficace / dominée  6 modèles: dominée en tout / efficace / limite  Frontière d’efficacité: + grand gain en santé par mammographie supplémentaire  « Sensitivity analysis »: variation du classement liée aux variables  Se mammographie en fonction de l’âge  Ttt: + adjuvant hormonal ou non o 100% cohorte o 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 dominées o Biennales: 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 dépistage  Réduction mortalité: fin › début o Fin 79 ans (vs 69 ans): 8% A, 7% B o 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 ans  Stratégie annuelle  Biopsies inutiles: 7%, annuel › biennal  Surdiagnostic  Age (5/6 modèles), surtout les + âgées  CIS › cancer invasif, surtout les + jeunes  Extension: au-delà 69 ans › à partir 40 ans  Annuel › biennal (›50%)

 Concordance avec les essais réalisés et la physiopathologie connue  Puissance: modélisation  Nombre de patientes, suivi prolongé  Validation « croisée »

 Manque de données:  Chez ›74 ans (Δg en excès)  Physiopathologie (CIS, période préclinique, … )  Evaluation bénéfices-inconvénients:  Cohorte: ≠ reflet individuel  Hypothèse: 100% d’adhésion  Sous-groupes à risque non considérés: mutation BRCA 1 ou 2 / état de santé / femmes noires  Absence d’évaluation:  Morbidité de la chirurgie  Altération de la qualité de vie: FP, surΔg, vivre avec le Δg de cancer  Stratégies mixtes  Coûts  Cohorte de 1960: extrapolation future?

 Efficacité du dépistage: biennal › annuel  Ages optimaux de début / de fin:  Objectifs du dépistage o Réduire la mortalité: extension date de fin o Augmenter la survie: extension date de début  Ressources  Valeurs données aux essais précédents  Balance bénéfices-inconvénients  Considérations 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)*