The use of precision diagnostics for monogenic diabetes: a systematic review and expert opinion
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Monogenic diabetes presents opportunities for precision medicine but is underdiagnosed. This review systematically assessed the evidence for (1) clinical criteria and (2) methods for genetic testing for monogenic diabetes, summarized resources for (3) considering a gene or (4) variant as causal for monogenic diabetes, provided expert recommendations for (5) reporting of results; and reviewed (6) next steps after monogenic diabetes diagnosis and (7) challenges in precision medicine field. METHODS: Pubmed and Embase databases were searched (1990-2022) using inclusion/exclusion criteria for studies that sequenced one or more monogenic diabetes genes in at least 100 probands (Question 1), evaluated a non-obsolete genetic testing method to diagnose monogenic diabetes (Question 2). The risk of bias was assessed using the revised QUADAS-2 tool. Existing guidelines were summarized for questions 3-5, and review of studies for questions 6-7, supplemented by expert recommendations. Results were summarized in tables and informed recommendations for clinical practice. RESULTS: There are 100, 32, 36, and 14 studies included for questions 1, 2, 6, and 7 respectively. On this basis, four recommendations for who to test and five on how to test for monogenic diabetes are provided. Existing guidelines for variant curation and gene-disease validity curation are summarized. Reporting by gene names is recommended as an alternative to the term MODY. Key steps after making a genetic diagnosis and major gaps in our current knowledge are highlighted. CONCLUSIONS: We provide a synthesis of current evidence and expert opinion on how to use precision diagnostics to identify individuals with monogenic diabetes.
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.
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 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle