Breast Cancer Risk Prediction Using Clinical Models and 77 Independent Risk-Associated SNPs for Women Aged Under 50 Years: Australian Breast Cancer Family Registry
Notice bibliographique
Résumé
BACKGROUND: The extent to which clinical breast cancer risk prediction models can be improved by including information on known susceptibility SNPs is not known. METHODS: Using 750 cases and 405 controls from the population-based Australian Breast Cancer Family Registry who were younger than 50 years at diagnosis and recruitment, respectively, Caucasian and not BRCA1 or BRCA2 mutation carriers, we derived absolute 5-year risks of breast cancer using the BOADICEA, BRCAPRO, BCRAT, and IBIS risk prediction models and combined these with a risk score based on 77 independent risk-associated SNPs. We used logistic regression to estimate the OR per adjusted SD for log-transformed age-adjusted 5-year risks. Discrimination was assessed by the area under the receiver operating characteristic curve (AUC). Calibration was assessed using the Hosmer-Lemeshow goodness-of-fit test. We also constructed reclassification tables and calculated the net reclassification improvement. RESULTS: The ORs for BOADICEA, BRCAPRO, BCRAT, and IBIS were 1.80, 1.75, 1.67, and 1.30, respectively. When combined with the SNP-based score, the corresponding ORs were 1.96, 1.89, 1.80, and 1.52. The corresponding AUCs were 0.66, 0.65, 0.64, and 0.57 for the risk prediction models, and 0.70, 0.69, 0.66, and 0.63 when combined with the SNP-based score. CONCLUSIONS: By combining a 77 SNP-based score with clinical models, the AUC for predicting breast cancer before age 50 years improved by >20%. IMPACT: Our estimates of the increased performance of clinical risk prediction models from including genetic information could be used to inform targeted screening and prevention.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».