Current controversy in prenatal diagnosis: The use of cfDNA to screen for monogenic conditions in low risk populations is ready for clinical use
Notice bibliographique
Résumé
Abstract Noninvasive cfDNA testing for monogenic disorders (sgNIPT) has become integrated into the care of pregnant women at increased risk based on carrier status, known family history, or ultrasound anomalies. The availability of commercial tests for common autosomal recessive and de novo autosomal dominant conditions has led to the use of these tests in low‐risk pregnancies. However, is the technology ready for use in this low‐risk population? This report is a summary of the debate on this topic at the 27 th International Conference on Prenatal Diagnosis and Therapy. Both expert debaters provided strong arguments in favor and against the use of sgNIPT in low‐risk pregnancies. The argument in favor of sgNIPT for autosomal recessive conditions is that it allows the identification of affected pregnancies without the need for involving the partner in testing. Arguments for sgNIPT for autosomal dominant conditions include identification of affected fetuses that would have either presented later in pregnancy with fetal anomalies or not been detected prenatally given normal ultrasounds, respect for patient autonomy and patient desire for information. Strong arguments were made against offering sgNIPT screening. Given that traditional carrier screening for recessive conditions can be carried out in many jurisdictions, the added value of sgNIPT has not been clearly demonstrated. Arguments against sgNIPT for autosomal dominant conditions included the total lack of clinical validation studies and the risk of false reassurance in cases of negative results and unnecessary invasive procedures in cases of false positive results. Although there is a desire to take advantage of new technologies to improve the detection of monogenic disorders in low‐risk populations, based on the discussion and the audience vote, it appears premature to offer sgNIPT to all low risk pregnant women. Further clinical validation studies are needed prior to broad implementation.
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 | 0,106 | 0,224 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,023 |
| Communication savante | 0,009 | 0,017 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,020 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».