Cumulative impact of common genetic variants and other risk factors on colorectal cancer risk in 42 103 individuals
Notice bibliographique
Résumé
OBJECTIVE: Colorectal cancer (CRC) has a substantial heritable component. Common genetic variation has been shown to contribute to CRC risk. A study was conducted in a large multi-population study to assess the feasibility of CRC risk prediction using common genetic variant data combined with other risk factors. A risk prediction model was built and applied to the Scottish population using available data. DESIGN: Nine populations of European descent were studied to develop and validate CRC risk prediction models. Binary logistic regression was used to assess the combined effect of age, gender, family history (FH) and genotypes at 10 susceptibility loci that individually only modestly influence CRC risk. Risk models were generated from case-control data incorporating genotypes alone (n=39,266) and in combination with gender, age and FH (n=11,324). Model discriminatory performance was assessed using 10-fold internal cross-validation and externally using 4187 independent samples. The 10-year absolute risk was estimated by modelling genotype and FH with age- and gender-specific population risks. RESULTS: The median number of risk alleles was greater in cases than controls (10 vs 9, p<2.2 × 10(-16)), confirmed in external validation sets (Sweden p=1.2 × 10(-6), Finland p=2 × 10(-5)). The mean per-allele increase in risk was 9% (OR 1.09; 95% CI 1.05 to 1.13). Discriminative performance was poor across the risk spectrum (area under curve for genotypes alone 0.57; area under curve for genotype/age/gender/FH 0.59). However, modelling genotype data, FH, age and gender with Scottish population data shows the practicalities of identifying a subgroup with >5% predicted 10-year absolute risk. CONCLUSION: Genotype data provide additional information that complements age, gender and FH as risk factors, but individualised genetic risk prediction is not currently feasible. Nonetheless, the modelling exercise suggests public health potential since it is possible to stratify the population into CRC risk categories, thereby informing targeted prevention and surveillance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».