The complexity of diagnosing rare disease: An organizing framework for outcomes research and health economics based on real-world evidence
Notice bibliographique
Résumé
PURPOSE: To facilitate robust economic analyses of clinical exome and genome sequencing, this study was taken up with the objective of establishing a framework for organizing diagnostic testing trajectories for patients with rare disease. METHODS: We collected diagnostic investigations-related data before exome sequencing from the medical records of 228 cases. Medical geneticist experts participated in a consensus building process to develop the SOLVE Framework for organizing the complex range of observed tests. Experts categorized tests as indicator or nonindicator tests on the basis of their specificity for diagnosing rare diseases. Face validity was assessed using case vignettes. RESULTS: Most cases had symptom onset at birth (42.5%) or during childhood (43.4%) and had intellectual disability (73.3%). On average, the time spent seeking a diagnosis before sequencing was 1989 days (SD = 2137) and included 16 tests (SD = 14). Agreement across experts on test categories ranged from 83% to 96%. The SOLVE Framework comprised observed tests, including 186 indicator and 39 nonindicator tests across cytogenetic/molecular, biochemical, imaging, electrical, and pathology test categories. CONCLUSION: Real-world diagnostic testing data can be ascertained and organized to reflect the complexity of the journey of the patients with rare diseases. SOLVE Framework will improve the accuracy and certainty associated with value-based assessments of genomic sequencing.
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 | 0,089 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,017 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,014 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».