L’errance et l’impasse diagnostiques dans les maladies rares d’origine génétique
Notice bibliographique
Résumé
Plus de 8 000 maladies rares sont répertoriées à ce jour et l’on en découvre de nouvelles chaque mois. 80 % d’entre elles sont d’origine génétique. On considère qu’environ la moitié des patients atteints de maladies rares n’ont pas de diagnostic étiologique précis. Vivre sans diagnostic peut entraîner un parcours médical difficile avec une prise en charge retardée ou non optimisée des personnes touchées, et un risque d’isolement. Un diagnostic peut être la clé qui va débloquer l’accès à des soins médicaux et à des services sociaux efficaces, peut permettre de connaître les risques de transmission, ainsi que plus rarement d’accéder à des possibilités thérapeutiques. En l’absence de diagnostic clinique, l’accès à un diagnostic causal est fortement conditionné par l’accès aux technologies de séquençage haut débit, et en particulier au séquençage de l’exome pour certaines pathologies comme les maladies du développement et la déficience intellectuelle. Le séquençage de l’exome n’est cependant proposé à titre diagnostique que dans quelques centres en France. La mise en place de cette offre diagnostique, pourtant très efficace et inégalable sur le plan du rendement et du délai, a été essentiellement freinée en raison de considérations économiques et éthiques. Plusieurs études emblématiques nationales sont en cours pour répondre aux questions posées. Les Plans nationaux maladies rares (PNMR) 1 et 2 ont mis en place des réseaux de soins pour lutter contre l’errance diagnostique et permettre d’orienter les malades vers des centres experts pouvant porter un diagnostic. Le PNMR3 s’attaque maintenant aux situations d’impasse diagnostique et le Plan France médecine génomique 2025 vise à permettre le séquençage du génome à tout patient concerné.
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 | 0,001 |
| 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 | 0,001 | 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 ».