Privacy in Direct-to-Consumer Genetic Testing
Notice bibliographique
Résumé
Over the past decade, direct-to-consumer (DTC)6 genetic testing has grown from an intellectual curiosity to a mainstream technology. In 2018, the total number of US customers for DTC genetic testing has been predicted to exceed 20 million. There are many benefits to DTC genetic testing, including increased accessibility of testing at rapidly decreasing costs. A new powerful use of DTC genetic testing data is the identification and surveillance of persons of interest. In 2018, a suspect in the Golden State Killer murder cases was identified by use of DTC genetic testing information, 30 years after the last known crime was committed. Since the break in the Golden State Killer cases, >100 law enforcement investigations are now underway using DTC genetic data. Individuals providing DTC genetic data may not be aware their data are being used for law enforcement activity to identify links with distant relatives. There are currently minimal regulations and ethical standards to guide the appropriate use of consumer genetic databases by law enforcement. How have you been involved in DNA testing, privacy, and/or the use of DNA in law enforcement? Michael T. Risher: I have been litigating challenges to laws that require people arrested on suspicion of a felony to provide DNA samples for inclusion in the government's Combined DNA Index System (CODIS) database since 2009, first as a staff attorney with the American Civil Liberties Union of Northern California and now in private practice. I have written and testified before Congress about the privacy and racial-justice implications of the increasing use of criminal DNA databanks and familial searching. Timothy Caulfield: Our team at the Health Law Institute at the University of Alberta has been looking at these issues for decades. This has included work on social issues associated with DTC genetic testing, the collection of samples …
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 | 0,003 | 0,143 |
| 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 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».