Rationale, Design, and the Baseline Characteristics of the RHDGen (The Genetics of Rheumatic Heart Disease) Network Study†
Notice bibliographique
Résumé
BACKGROUND: The genetics of rheumatic heart disease (RHDGen) Network was developed to assist the discovery and validation of genetic variations and biomarkers of risk for rheumatic heart disease (RHD) in continental Africans, as a part of the global fight to control and eradicate rheumatic fever/RHD. Thus, we describe the rationale and design of the RHDGen study, comprising participants from 8 African countries. METHODS: RHDGen screened potential participants using echocardiography, thereafter enrolling RHD cases and ethnically-matched controls for whom case characteristics were documented. Biological samples were collected for conducting genetic analyses, including a discovery case-control genome-wide association study (GWAS) and a replication trio family study. Additional biological samples were also collected, and processed, for the measurement of biomarker analytes and the biomarker analyses are underway. RESULTS: Participants were enrolled into RHDGen between December 2012 and March 2018. For GWAS, 2548 RHD cases and 2261 controls (3301 women [69%]; mean age [SD], 37 [16.3] years) were available. RHD cases were predominantly Black (66%), Admixed (24%), and other ethnicities (10%). Among RHD cases, 34% were asymptomatic, 26% had prior valve surgery, and 23% had atrial fibrillation. The trio family replication arm included 116 RHD trio probands and 232 parents. CONCLUSIONS: RHDGen presents a rare opportunity to identify relevant patterns of genetic factors and biomarkers in Africans that may be associated with differential RHD risk. Furthermore, the RHDGen Network provides a platform for further work on fully elucidating the causes and mechanisms associated with RHD susceptibility and development.
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 | 0,001 | 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 ».