Opportunities for Improving Detection of Cancer Predisposition Syndromes in Pediatric Solid Tumor Patients
Notice bibliographique
Résumé
BACKGROUND: Detection of cancer predisposition syndromes (CPS) depends on identifying risk factors, including tumor type, family history, and physical findings, to prompt referral for genetic counseling/testing. Whether pediatric oncology providers (POPs) collect adequate family history information is unknown. METHODS: A single-institution retrospective chart review of solid tumor patients <18 years of age referred for a CPS evaluation between January 1, 2017 and January 31, 2019 was performed. POP adherence to American Society of Clinical Oncology (ASCO) family history collection recommendations was measured and compared with genetic counselor performance. Whether sufficient family history was documented to satisfy the criteria of three genetic counseling referral guidelines [American College of Medical Genetics (ACMG), updated Jongmans (UJ), and McGill Interactive Pediatric OncoGenetic Guidelines (MIPOGG)] was evaluated. RESULTS: POPs and genetic counselors achieved all 6 ASCO family history metrics in 3% and 99% of 129 eligible cases, respectively. POPs failed to document sufficient family history to satisfy genetic counseling referral criteria in most cases (74% ACMG, 73% UJ, 79% MIPOGG). CONCLUSIONS: POPs perform poorly in family history collection, raising concern that some patients at risk for a CPS based on their family history may not be referred for genetic counseling/testing. Interventions to improve family history collection are needed to enhance CPS detection.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».