Skin Cancer Risk Is Increased by Somatic Mutations Detected Noninvasively in Healthy-Appearing Sun-Exposed Skin
Notice bibliographique
Résumé
Skin cancer risk is increased by exposure to ultraviolet radiation (UVR). Since UVR exposure accumulates over time and lighter skin is more susceptible to UVR, age and skin tone are risk factors for skin cancer. However, measurements of somatic mutations in healthy-appearing skin have not been used to calculate skin cancer risk. Herein, we developed a noninvasive test that quantifies somatic mutations in healthy-appearing sun-exposed skin and applied it to a 1,038-subject cohort. Somatic mutations were combined with other known skin cancer risk factors to train a model to calculate risk. The final model (DNA-Skin Cancer Assessment of Risk, DNA-SCAR) was trained to predict personal history of skin cancer from age, family history, skin tone and mutation count. The addition of mutation count significantly improved model performance (OR=1.3 95%CI:1.14–1.48; p- value=5.3x10 -6 ) and made a more significant contribution than skin tone. Calculations of skin cancer risk matched the known U.S. population prevalence, indicating DNA-SCAR was well-calibrated. In conclusion, somatic mutations in healthy-appearing sun-exposed skin increase skin cancer risk and mutations capture risk information that is not accounted for by other risk factors. Clinical utility is supported by the noninvasive nature of skin sample collection via adhesive patches.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».