Genetic Testing in Adults over 50 Years with Chronic Kidney Disease: Diagnostic Yield and Clinical Implications in a Specialized Kidney Genetics Clinic
Notice bibliographique
Résumé
Background: Genetic causes of chronic diseases, once considered rare in adult-onset disease, now account for between 10 and 20% of cases of chronic kidney disease (CKD). Confirming a genetic diagnosis can influence disease management; however, the utility of genetic testing in older adults remains poorly understood, partly due to age-based restrictions on testing access. To better evaluate the diagnostic yield and clinical utility of genetic testing in this population, we analyzed data from adults aged ≥50 years with CKD who were assessed in a specialized kidney genetics clinic. Methods: We studied a cohort of 125 adults with CKD aged ≥50 years at the time of genetic testing. Genetic testing included gene panels targeting disease-related genes based on clinical phenotype, and/or exome sequencing for additional monogenic causes if the initial panel testing was inconclusive. Results: Pathogenic variants in disease-related genes were identified in 38% of patients. The highest diagnostic yield (48%) was in patients aged 50–54 years. The most common diagnosis post-testing was glomerulopathies (32%). Clinical utility, shown through the case series, included modifications to treatment and clinical management, as well as a reduction in the diagnostic odyssey. Conclusions: Our findings from a dedicated Kidney Genetics Clinic show that genetic testing in adults ≥50 years with CKD has significant diagnostic and clinical utility. These results support guideline recommendations that there should be no upper age limit for genetic testing. Future research in unselected CKD populations is needed to establish the broader applicability and feasibility of genetic testing in older adults.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».