L’errance et l’impasse diagnostiques dans les maladies rares d’origine génétique
Bibliographic record
Abstract
Plus de 8 000 maladies rares sont répertoriées à ce jour et l’on en découvre de nouvelles chaque mois. 80 % d’entre elles sont d’origine génétique. On considère qu’environ la moitié des patients atteints de maladies rares n’ont pas de diagnostic étiologique précis. Vivre sans diagnostic peut entraîner un parcours médical difficile avec une prise en charge retardée ou non optimisée des personnes touchées, et un risque d’isolement. Un diagnostic peut être la clé qui va débloquer l’accès à des soins médicaux et à des services sociaux efficaces, peut permettre de connaître les risques de transmission, ainsi que plus rarement d’accéder à des possibilités thérapeutiques. En l’absence de diagnostic clinique, l’accès à un diagnostic causal est fortement conditionné par l’accès aux technologies de séquençage haut débit, et en particulier au séquençage de l’exome pour certaines pathologies comme les maladies du développement et la déficience intellectuelle. Le séquençage de l’exome n’est cependant proposé à titre diagnostique que dans quelques centres en France. La mise en place de cette offre diagnostique, pourtant très efficace et inégalable sur le plan du rendement et du délai, a été essentiellement freinée en raison de considérations économiques et éthiques. Plusieurs études emblématiques nationales sont en cours pour répondre aux questions posées. Les Plans nationaux maladies rares (PNMR) 1 et 2 ont mis en place des réseaux de soins pour lutter contre l’errance diagnostique et permettre d’orienter les malades vers des centres experts pouvant porter un diagnostic. Le PNMR3 s’attaque maintenant aux situations d’impasse diagnostique et le Plan France médecine génomique 2025 vise à permettre le séquençage du génome à tout patient concerné.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.016 | 0.064 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".