Abstract 1308: Policy guiding secondary findings from genome sequencing pertinent to cancer: Results from a systematic review
Notice bibliographique
Résumé
Abstract Background: While genomic sequencing has personalized patient care across disciplines like oncology, secondary findings (SFs) unrelated to the primary indication are a common complicating factor. SFs relevant for oncology are categorized as cancer-related potentially leading to a cancer diagnosis (CA-SFs) or non-cancer findings revealing important medical conditions, predispositions, or carrier status in cancer patients (NC-SFs). These SFs can inform disease prevention, early detection, or management decisions, but may cause distress, overdiagnosis, and overuse of resources if actionability is limited. There is a lack of consensus for identifying, analyzing, and interpreting the clinical relevance of SFs. This significantly impacts cancer care, where paired tumor-normal sequencing is standard practice. Widespread practice variation can lead to detrimental impacts on patient outcomes and overall health. We synthesized policy guiding the clinical investigation of SFs for cancer to help providers navigate decisions regarding SFs. Methods: We carried out a systematic review of international guidance directing the identification, analysis, and management of SFs from genomic sequencing, and analyzed the subset of policies specifically relating to oncology. We searched the grey literature (IFHGS members) and academic databases including MEDLINE, Embase and Cochrane. Two reviewers independently assessed policy documents for screening, data extraction and quality assessment (using AGREE-II). Results: We identified 7 policies guiding the investigation of SFs relating to cancer across the general population (n=4), adults (n=1), pediatrics (n=1) and research (n=2) contexts. Most policies included guidelines for SF variant selection (identification; n=5) and management (n=4), with a minority detailing analysis processes (n=2). Recommended CA-SFs included medically actionable cancer predisposition variants, while suggested NC-SFs were variants important for drug therapies (identification). Laboratories were advised to ensure adequate coverage and read depth during SF analysis (analysis), while policies recommended that a medical genetics healthcare provider return results, specifically discussing their clinical utility (management). Conclusions: To our knowledge, our review is the most comprehensive synthesis of policy guiding SFs for cancer. Policies outline the types of SFs to investigate from genome sequencing in cancer and non-cancer patients, and related strategies for disclosure. However, best practices for SF analyses and patient follow-up including SF surveillance, treatment, etc. remain poorly described. This synthesis will help cancer care providers navigate critical decision points based on current evidence and direct policymakers on gaps to fill in the future. Citation Format: Safa Majeed, Christine Johnston, Saumeh Saeedi, Chloe Mighton, Vanessa Rokoszak, Ilham Abbasi, Sonya Grewal, Vernie Aguda, David Malkin, Yvonne Bombard. Policy guiding secondary findings from genome sequencing pertinent to cancer: Results from a systematic review [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2024; Part 1 (Regular Abstracts); 2024 Apr 5-10; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2024;84(6_Suppl):Abstract nr 1308.
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 | 0,113 | 0,399 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,010 |
| Bibliométrie | 0,023 | 0,024 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».