A risk prediction algorithm for ovarian cancer incorporating <i>BRCA1, BRCA2</i>, common alleles and other familial effects
Notice bibliographique
Résumé
BACKGROUND: Although BRCA1 and BRCA2 mutations account for only ∼27% of the familial aggregation of ovarian cancer (OvC), no OvC risk prediction model currently exists that considers the effects of BRCA1, BRCA2 and other familial factors. Therefore, a currently unresolved problem in clinical genetics is how to counsel women with family history of OvC but no identifiable BRCA1/2 mutations. METHODS: We used data from 1548 patients with OvC and their relatives from a population-based study, with known BRCA1/2 mutation status, to investigate OvC genetic susceptibility models, using segregation analysis methods. RESULTS: The most parsimonious model included the effects of BRCA1/2 mutations, and the residual familial aggregation was accounted for by a polygenic component (SD 1.43, 95% CI 1.10 to 1.86), reflecting the multiplicative effects of a large number of genes with small contributions to the familial risk. We estimated that 1 in 630 individuals carries a BRCA1 mutation and 1 in 195 carries a BRCA2 mutation. We extended this model to incorporate the explicit effects of 17 common alleles that are associated with OvC risk. Based on our models, assuming all of the susceptibility genes could be identified we estimate that the half of the female population at highest genetic risk will account for 92% of all OvCs. CONCLUSIONS: The resulting model can be used to obtain the risk of developing OvC on the basis of BRCA1/2, explicit family history and common alleles. This is the first model that accounts for all OvC familial aggregation and would be useful in the OvC genetic counselling process.
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 | 0,001 | 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 ».