Prospective Evaluation of a Breast Cancer Risk Model Integrating Classical Risk Factors and Polygenic Risk in 15 Cohorts from Six Countries
Notice bibliographique
Résumé
ABSTRACT PURPOSE Risk-stratified breast cancer prevention requires accurate identification of women at sufficiently different levels of risk. We conducted a comprehensive evaluation of a model integrating classical risk factors and a recently developed 313-variant polygenic risk score (PRS) to predict breast cancer risk. METHODS Fifteen prospective cohorts from six countries with 237,632 women (7,529 incident breast cancer patients) of European ancestry aged 19-75 years at baseline were included. Calibration of five-year risk was assessed by comparing predicted and observed proportions of cases overall and within risk categories. Risk stratification for women of European ancestry aged 50-70 years in those countries was evaluated by the proportion of women and future breast cancer cases crossing clinically-relevant risk thresholds. RESULTS The model integrating classical risk factors and PRS accurately predicted five-year risk. For women younger than 50 years, median (range) expected-to-observed ratio across the cohorts was 0.94 (0.72 to 1.01) overall and 0.9 (0.7 to 1.4) at the highest risk decile. For women 50 years or older, these ratios were 1.04 (0.73 to 1.31) and 1.2 (0.7 to 1.6), respectively. The proportion of women in the general population identified above the 3% five-year risk threshold (used for recommending risk-reducing medications in the US) ranged from 7.0% in Germany (∼841,000 of 12 million) to 17.7% in the US (∼5.3 of 30 million). At this threshold, 14.7% of US women were re-classified by the addition of PRS to classical risk factors, identifying 12.2% additional future breast cancer cases. CONCLUSION Evaluation across multiple prospective cohorts demonstrates that integrating a 313-SNP PRS into a risk model substantially improves its ability to stratify women of European ancestry for applying current breast cancer prevention guidelines.
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 | 0,023 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».