MétaCan
Menu
Retour à la cohorte
Enregistrement W2131725426 · doi:10.1136/gutjnl-2011-301265

Comparison of the clinical prediction model PREMM <sub>1,2,6</sub> and molecular testing for the systematic identification of Lynch syndrome in colorectal cancer

2012· article· en· W2131725426 sur OpenAlexaff
Fay Kastrinos, Ewout W. Steyerberg, Judith Balmañà, Rowena Mercado, Steven Gallinger, Robert W. Haile, Graham Casey, John L. Hopper, Loı̈c Le Marchand, Noralane M. Lindor, Polly A. Newcomb, Stephen N. Thibodeau, Sapna Syngal

Notice bibliographique

RevueGut · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueGenetic factors in colorectal cancer
Établissements canadiensUniversity of TorontoMount Sinai Hospital
Organismes subventionnairesNational Cancer Institute
Mots-clésLynch syndromeMicrosatellite instabilityMSH6MLH1PMS2MSH2Colorectal cancerOncologyGermline mutationInternal medicineMedicineCancerPopulationPathologyMutationGeneticsBiologyDNA mismatch repairMicrosatelliteGene

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Lynch syndrome is caused by germline mismatch repair (MMR) gene mutations. The PREMM(1,2,6) model predicts the likelihood of a MMR gene mutation based on personal and family cancer history. OBJECTIVE: To compare strategies using PREMM(1,2,6) and tumour testing (microsatellite instability (MSI) and/or immunohistochemistry (IHC) staining) to identify mutation carriers. DESIGN: Data from population-based or clinic-based patients with colorectal cancers enrolled through the Colon Cancer Family Registry were analysed. Evaluation included MSI, IHC and germline mutation analysis for MLH1, MSH2, MSH6 and PMS2. Personal and family cancer histories were used to calculate PREMM(1,2,6) predictions. Discriminative ability to identify carriers from non-carriers using the area under the receiver operating characteristic curve (AUC) was assessed. Predictions were based on logistic regression models for (1) cancer assessment using PREMM(1,2,6), (2) MSI, (3) IHC for loss of any MMR protein expression, (4) MSI+IHC, (5) PREMM(1,2,6)+MSI, (6) PREMM(1,2,6)+IHC, (7) PREMM(1,2,6)+IHC+MSI. RESULTS: Among 1651 subjects, 239 (14%) had mutations (90 MLH1, 125 MSH2, 24 MSH6). PREMM(1,2,6) discriminated well with AUC 0.90 (95% CI 0.88 to 0.92). MSI alone, IHC alone, or MSI+IHC each had lower AUCs: 0.77, 0.82 and 0.82, respectively. The added value of IHC+PREMM(1,2,6) was slightly greater than PREMM(1,2,6)+MSI (AUC 0.94 vs 0.93). Adding MSI to PREMM(1,2,6)+IHC did not improve discrimination. CONCLUSION: PREMM(1,2,6) and IHC showed excellent performance in distinguishing mutation carriers from non-carriers and performed best when combined. MSI may have a greater role in distinguishing Lynch syndrome from other familial colorectal cancer subtypes among cases with high PREMM(1,2,6) scores where genetic evaluation does not disclose a MMR mutation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,309
Score d'incertitude au seuil0,217

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,370
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations49
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGutMême sujetGenetic factors in colorectal cancerTravaux en français237 207