How Well Do Customers of Direct-to-Consumer Personal Genomic Testing Services Comprehend Genetic Test Results? Findings from the Impact of Personal Genomics Study
Notice bibliographique
Résumé
AIM: To assess customer comprehension of health-related personal genomic testing (PGT) results. METHODS: We presented sample reports of genetic results and examined responses to comprehension questions in 1,030 PGT customers (mean age: 46.7 years; 59.9% female; 79.0% college graduates; 14.9% non-White; 4.7% of Hispanic/Latino ethnicity). Sample reports presented a genetic risk for Alzheimer's disease and type 2 diabetes, carrier screening summary results for >30 conditions, results for phenylketonuria and cystic fibrosis, and drug response results for a statin drug. Logistic regression was used to identify correlates of participant comprehension. RESULTS: Participants exhibited high overall comprehension (mean score: 79.1% correct). The highest comprehension (range: 81.1-97.4% correct) was observed in the statin drug response and carrier screening summary results, and lower comprehension (range: 63.6-74.8% correct) on specific carrier screening results. Higher levels of numeracy, genetic knowledge, and education were significantly associated with greater comprehension. Older age (≥ 60 years) was associated with lower comprehension scores. CONCLUSIONS: Most customers accurately interpreted the health implications of PGT results; however, comprehension varied by demographic characteristics, numeracy and genetic knowledge, and types and format of the genetic information presented. Results suggest a need to tailor the presentation of PGT results by test type and customer characteristics.
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 | 0,005 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».