The side effects of translational omics: overtesting, overdiagnosis, overtreatment
Notice bibliographique
Résumé
High-throughput technologies such as next-generation genomics, transcriptomics and proteomics are capable of generating massive amounts of data quickly, and at relatively low costs. It is tempting to use this data for various medical applications including preclinical disease detection and for prediction of disease predisposition. Pilot projects, initiated by various research groups and Google, are currently underway, but results with not be available for a few years. We here summarize some possible difficulties with these approaches, by using examples from already tried cancer and other screening programs. Population screening, especially with multiparametric algorithms, will identify at least some false positive parameters and screening programs will identify abnormal results in otherwise healthy individuals. Whole genome sequencing will identify genetic changes of unknown significance and may not predict accurately future disease predisposition if the disease is also influenced by environmental factors. In screening programs, if the disease is rare, the positive predictive value of the test will be low, even if the test has excellent sensitivity and specificity. False positive results may require invasive procedures to delineate. Furthermore, screening programs are not effective if the cancer grows quickly, and will identify indolent forms of the disease with slow-growing tumors. It has also been recently shown that for some cancers, more intensive and radical treatments do not usually lead to better clinical outcomes. We conclude that new omics testing technologies should avoid overdiagnosis and overtreatment and need to be evaluated for overall clinical benefit before introduction to the clinic.
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 | 0,003 |
| 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 ».