Overlap of high-risk individuals across family history, genetic & non-genetic breast cancer risk models: Analysis of 180,398 women from European & Asian ancestries
Notice bibliographique
Résumé
ABSTRACT Background Breast cancer is multifactorial. Focusing on limited risk factors may miss high-risk individuals. Methods We assessed the performance and overlap of various risk factors in identifying high-risk individuals for invasive breast cancer (BrCa) and ductal carcinoma in situ (DCIS) in 161,849 European-ancestry and 18,549 Asian-ancestry women. Discriminatory ability was evaluated using the area under the receiver operating characteristic curve (AUC). High-risk criteria included: 5-year absolute risk ≥1·66% by the Gail model [GAIL binary ]; first-degree family history of breast cancer [FH binary ]; 5-year absolute risk ≥1·66% by a 313-variants polygenic risk score [PRS binary ]; and carriers of pathogenic variants in breast cancer predisposition genes [PTV binary ]. Findings The 5-year absolute risk by PRS outperformed the Gail model in predicting BrCa (Europeans vs controls : AUC PRS =0·635 [0·632-0·638] vs AUC Gail =0·492 [0·489-0·495]; Asians vs controls : AUC PRS =0·564 [0·556-0·573] vs AUC Gail =0·506 [0·497-0·514]). PRS binary and GAIL binary identified more high-risk European than Asia individuals. High-risk proportions were higher among BrCa (16-26%) and DCIS (20-33%) compared to controls (9-15%) among young Europeans and all Asians. Fewer than 7% of BrCa, 10% of DCIS, and 3% of controls were classified as high-risk by multiple risk classifiers. Overlap between PRS binary and PTV binary was minimal (<0·65% Europeans, <0·15% Asians) compared to the proportion at high risk using PTV binary alone (Europeans: 4·6%, Asians: 4·4%) and PRS binary alone (Europeans: 13·9%, Asians: 8·5%). PRS binary and FH binary uniquely identified 5-6% and 9-11% of young BrCa, respectively. Interpretation The incomplete overlap between high-risk individuals identified by PRS binary , GAIL binary , FH binary, and PTV binary highlights the need for a comprehensive approach to breast cancer risk prediction. SIGNIFICANCE This study shows that different ways of predicting breast cancer risk do not always flag the same people, suggesting that combining multiple risk factors could improve early detection and screening.
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 | 0,010 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 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 | 0,001 | 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 ».