Genetic testing women with newly diagnosed breast cancer: What criteria are the most predictive of a positive test?
Notice bibliographique
Résumé
BACKGROUND: Knowledge of pathogenic variants in cancer-predisposing genes is important when making breast cancer treatment decisions, but genetic testing is not universal and criteria must be met to qualify for genetic testing. The objective of this study was to evaluate the pathogenic variant yield for nine cancer predisposition genes by testing criteria, singly and in combination. METHODS: Women diagnosed with breast cancer between June 2013 and May 2018 were recruited from four centers in Toronto, Canada. Participants completed a demographics and family history questionnaire and clinical characteristics were collected from medical charts. Genetic testing was done for BRCA1, BRCA2, PALB2, ATM, CHEK2, BRIP1, RAD51D, RECQL, and TP53. Pathogenic variant frequencies were calculated according to five criteria (age ≤ 50, triple-negative breast cancer, family history, bilateral breast cancer, or Jewish ethnicity). RESULTS: Of the 1006 women studied, 100 women (9.9%) were found to have a pathogenic variant in one of the nine genes tested. The highest prevalence of pathogenic variants was found in women with triple-negative breast cancer (23%). Of the 100 pathogenic variants detected, 78 were detected in women diagnosed at age 50 or less. A total of 96% of the mutations were identified with three criteria (age of diagnosis, family history, and triple-negative status). CONCLUSIONS: Genetic testing criteria for women with breast cancer should include women with triple-negative breast cancer, regardless of age. All women aged 50 years or below at time of breast cancer diagnosis should be offered genetic testing.
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 | 0,000 |
| 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 | 0,000 | 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 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 ».