<i>BRCA1</i> and <i>BRCA2</i> mutations among breast cancer patients from the Philippines
Notice bibliographique
Résumé
Age-adjusted incidence rates of breast cancer vary more than 10-fold worldwide, with the highest rates reported in North America and Europe. The highest breast cancer incidence rates in Southeast Asia have been reported for the Manila Cancer Registry in the Philippines, with an age-standardized rate of 47.7 per 100,000 per year. The possible contribution of hereditary factors to these elevated rates has not been investigated. We conducted a case-control study of 294 unselected incident breast cancer cases and 346 female controls from Manila, Philippines. Cases and controls were selected from women below the age of 65 undergoing evaluation at the PGH in Manila because of a suspicious breast mass. Molecular analysis identified 12 BRCA2 mutations and 3 BRCA1 mutations. We estimate the prevalence of BRCA mutations among unselected breast cancer cases in the Philippines to be 5.1% (95% CI: 2.6-7.6%), with a prevalence of 4.1% (95% CI: 1.8-6.4%) for BRCA2 mutations alone. The BRCA2 4265delCT and 4859delA mutations were found in 2 and 4 unrelated cases, respectively; haplotype analysis confirmed that these, and the BRCA1 5454delC mutation, are founder mutations. BRCA2 mutations were also found in 2 of 346 controls (0.6%; 95% CI: 0.2-1.4%). Compared with non-carrier cases, the cumulative risk of breast cancer for first-degree relatives of mutation carriers was 24.3% to age 50, compared with <4% for first-degree relatives of non-carrier cases (RR = 6.6; 95% CI: 2.6-17.2; p= 7.5 x 10(-6)). Our data suggest that penetrance of BRCA mutations is not reduced in the Philippines. Germline mutations in the BRCA2 gene contribute more than mutations BRCA1 to breast cancer in the Philippines, due in large part to the presence of 2 common founder mutations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».