Performance characteristics of screening strategies to identify Lynch syndrome in women with ovarian cancer
Notice bibliographique
Résumé
BACKGROUND: For women with ovarian cancer (OC), the optimal screening strategy to identify Lynch syndrome (LS) has not been determined. In the current study, the authors compared the performance characteristics of various strategies combining mismatch repair (MMR) immunohistochemistry (IHC), microsatellite instability testing (MSI), and family history for the detection of LS. METHODS: Women with nonserous and/or nonmucinous ovarian cancer were recruited prospectively from 3 cancer centers in Ontario, Canada. All underwent germline testing for LS and completed a family history assessment. Tumors were assessed using MMR IHC and MSI. The sensitivity, specificity, and positive and negative predictive values of screening strategies were compared with the gold standard of a germline result. RESULTS: Of 215 women, germline data were available for 189 (88%); 13 women (7%) had pathogenic germline variants with 7 women with mutS homolog 6 (MSH6); 3 women with mutL homolog 1 (MLH1); 2 women with PMS1 homolog 2, mismatch repair system component (PMS2); and 1 woman with mutS homolog 2 (MSH2). A total of 28 women had MMR-deficient tumors (13%); of these, 11 had pathogenic variants (39%). Sequential IHC (with MLH1 promoter methylation analysis on MLH1-deficient tumors) followed by MSI for nonmethylated and/or MMR-intact patients was the most sensitive (92.3%; 95% confidence interval, 64%-99.8%) and specific (97.7%; 95% confidence interval, 94.2%-99.4%) approach, missing 1 case of LS. IHC with MLH1 promoter methylation analysis missed 2 patients of LS. Family history was found to have the lowest sensitivity at 55%. CONCLUSIONS: Sequential IHC (with MLH1 promoter methylation analysis) followed by MSI was found to be most sensitive. However, IHC with MLH1 promoter methylation analysis also performed well and is likely more cost-effective and efficient in the clinical setting. The pretest probability of LS is high in patients with MMR deficiency and warrants universal screening for LS.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».