Systematic identification of familial hypercholesterolaemia: An updated systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Familial hypercholesterolaemia (FH) is an inherited lipid disorder characterised by raised LDL-C and increased risk of premature atherosclerotic cardiovascular disease. Despite effective treatments, FH remains substantially underdiagnosed. Electronic health records (EHRs) enable systematic case-finding, but evidence on their effectiveness remains limited. This review aimed to evaluate EHR-based strategies for FH identification. METHODS: Seven databases and grey literature were systematically searched for relevant studies. Eligible studies reported on systematic EHR-based case-finding in adults (≥18 years). Meta-analysis of FH prevalence was conducted using random-effects modelling. Risk of bias was assessed using ROBINS-I; evidence certainty with GRADE. RESULTS: Of 831 citations screened, 12 eligible studies were included, including three from a prior review. Case-finding approaches included traditional diagnostic criteria (Simon-Broome, DLCN, MEDPED), hybrid models, and machine-learning algorithms (FAMCAT, FIND FH, TARB-Ex). FH prevalence estimates varied: 1.2% (95% CI 0.0%-3.0%; p=0.06) in general population studies, 41% (95% CI 2%-90%; p=0.02) in high-risk CVD populations, and 15% (95% CI 2%-34%; p=0.00) in genetically confirmed cohorts. Novel algorithmic approaches such as FAMCAT 2 and incorporating EHR-genomic data models demonstrated superior performance to traditional criteria. Secondary outcomes were inconsistently reported, though cholesterol levels at diagnosis were consistently higher in probable/confirmed FH, and markedly elevated in genetically confirmed cohorts. Certainty of evidence was moderate due to heterogeneity, non-randomised design, and potential publication bias. CONCLUSIONS: Algorithmic/genomics augmented EHR-based methods can enhance FH identification, but evidence remains limited. Standardised, scalable approaches validated in diverse populations are required to inform equitable FH screening and policy development.
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 | 0,015 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,024 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».