Clinical implementation of next-generation sequencing technologies en France and Quebec : a multidisciplinary analysis of policy implications
Bibliographic record
Abstract
La chute des prix des technologies de séquençage de nouvelle génération (NGS) s'est accompagnée de leur utilisation accrue, en recherche et en clinique. L'interprétation toujours meilleure des génomes humains peut permettre le développement de meilleures stratégies de prévention, de diagnostic et de traitement des maladies. Des investissements significatifs ont vu le jour dans de nombreux pays industrialisés en vue de réaliser les promesses de la médecine personnalisée. Cependant, le séquençage du génome complet de patients n'est offert en tant que test clinique que dans un nombre très limité d'établissements de santé dans le monde. La France et le Québec ont investi de manière considérable dans la recherche en génomique. Cependant, des décisions stratégiques doivent encore être prises quant à l'implémentation clinique des technologies NGS dans ces deux juridictions. Dès lors, l'objectif de ce projet est de contribuer à l'ensemble des preuves et faits à la disposition des décideurs publics. Nous avons focalisé notre attention sur deux technologies, le séquençage de l'exome (whole-exome sequencing, WES) et du génome complet (whole-genome sequencing, WGS). Notre objectif était d'établir si l'utilisation efficace et responsable du WES/WGS pouvait être mise en péril par des lacunes dans les politiques publiques ou cadres règlementaires et normatifs applicables. A l'heure actuelle, l'interprétation clinique de la séquence génomique ou exomique d'un patient nécessite l'intervention de nombreuses parties prenantes, y compris des chercheurs qui utilisent des outils, procédés et normes développés dans le cadre de la recherche pour analyser les données NGS. En parallèle, les cadres normatifs existants ont été construits pour accommoder les données génétiques, mais n'abordent pas la question des données génomiques. Notre hypothèse est que ces éléments créent un besoin de standardisation, qui pourrait requérir des adaptations du cadre normatif. Nous avons répondu à trois questions de recherches: (1) Quels enjeux les utilisateurs de technologies NGS soulèvent-il à propos de leur utilisation en clinique ? Pour répondre nous avons fait une étude systématique de la littérature. (2) Comment les données NGS de patients sont-elles à l'heure actuelle par des institutions de santé en France et au Québec ? Pour répondre nous avons réalisé une étude de cas multiples. (3) Y a-t-il des lacunes dans les cadres normatifs qui devraient être comblées pour assurer l'utilisation responsable, efficace et standardisée des données NGS en clinique ? [...]
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".