Retrospective evaluation of a decision‐support algorithm (MIPOGG) for genetic referrals for children with neuroblastic tumors
Notice bibliographique
Résumé
BACKGROUND: Neuroblastoma is the most common pediatric extracranial solid tumor. Germline pathogenic variants in ALK and PHOX2B, as well as other cancer predisposition genes, are increasingly implicated in the pathogenesis of neuroblastic tumors. A challenge for clinicians is the identification of children with neuroblastoma who require genetics evaluation for underlying cancer predisposition syndromes (CPS). PROCEDURE: We developed a decisional algorithm (MIPOGG) to identify which patients with neuroblastic tumors have an increased likelihood of an underlying CPS. This algorithm, comprising 11 Yes/No questions, evaluates features in the tumor, personal and family history that are suggestive of an underlying CPS. We assessed the algorithm's performance in a retrospective cohort. RESULTS: Two hundred and nine of 278 consecutive patients with neuroblastic tumors at The Hospital for Sick Children (2007-2016) had sufficient clinical data for retrospective application of the decisional algorithm. Fifty-one of 209 patients had been referred to genetics for CPS evaluation; 6/51 had a genetic or clinical confirmation of a CPS. The algorithm correctly identified all six children (Beckwith-Wiedemann (n = 2), Fanconi anemia, RB1, PHOX2B, chromosome duplication involving ALK) as requiring a genetic evaluation by using clinical features present at diagnosis. The level of agreement between the algorithm and physicians was 83.9%, with 15 more patients identified by the algorithm than by physicians as requiring a genetics referral. CONCLUSIONS: This decisional algorithm appropriately detected all patients who, following genetic evaluation, were confirmed to have a CPS and may improve the detection of CPS in patients with neuroblastic tumors compared with current practice.
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 | 0,000 | 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 ».