Predictors of Family Enrollment in a Genetic Cascade Screening Program for Familial Hypercholesterolemia
Carregando...
Citações na Scopus
5
Tipo de produção
article
Data de publicação
2018
Título da Revista
ISSN da Revista
Título do Volume
Editora
ARQUIVOS BRASILEIROS CARDIOLOGIA
Citação
ARQUIVOS BRASILEIROS DE CARDIOLOGIA, v.111, n.4, p.578-583, 2018
Resumo
Background: Genetic cascade screening is the most cost-effective method for the identification of individuals with familial hypercholesterolemia (FH), but the best strategies for the enrollment of at-risk individuals in a FH screening program are not fully known. Objective: The aim of this study is to identify the best predictors of familial enrollment into genetic screening, using features derived from tested probands. Methods: One hundred and eighty-three index-cases (ICs) with a positive genetic result that had relatives screened from 01/2011 to 07/2015 were included. The response variable was the number of relatives for each enrolled IC. All variables in the study were based on ICs' derived clinical and socioeconomical features. The effect size of predictor variables were obtained through a general linear model using a negative binomial regression link function. Significance was considered with a p < 0.05. Results: Mean IC age when enrolling into the program was 50 years old; 78.1% of individuals reported knowledge of relatives with dyslipidemia. Mean baseline LDL-cholesterol level was 316 +/- 90 mg/dL. Referral origin through the cascade program website vs. tertiary care, IC LDL-cholesterol and familial history of high LDL-cholesterol levels were independent predictors associated with a higher number of enrolled relatives. Conclusions: Our data suggest that FH cascade screening programs can predict family enrollment based on IC features. This information may be useful for devising better and more effective screening approaches for at-risk individuals.
Fundamento: O rastreamento genético em cascata é o método mais economicamente viável para a identificação de indivíduos com hipercolesterolemia familiar, mas as melhores estratégias para o recrutamento de indivíduos em risco em um programa de rastreamento deste tipo não são inteiramente conhecidas. Objetivo: Identificar os melhores preditores de recrutamento familiar em rastreamento genético, usando características derivadas de probandos testados. Métodos: Foram inscritos 183 casos índices com resultado genético positivo, que tiveram familiares rastreados de janeiro de 2011 a julho de 2015. A variável de resposta foi o número de familiares para cada caso índice inscrito. Todas as variáveis do estudo foram baseadas em características clínicas e socioeconômicas derivadas dos casos índices. O tamanho do efeito das variáveis preditoras foi obtido de modelo linear geral utilizando função de associação de regressão binomial negativa. A significância foi considerada com p < 0,05. Resultados: A média de idade dos casos índices ao ingressar no programa foi de 50 anos; 78,1% dos indivíduos relataram conhecimento de familiares com dislipidemia. O nível médio de LDL-colesterol inicial foi de 316 ± 90 mg/dL. Origem de referência por meio do site do programa em cascata vs. cuidados terciários, LDL-colesterol do caso índice e história familiar de níveis elevados de LDL-colesterol foram preditores independentes associados a um maior número de familiares inscritos. Conclusões: Programas de rastreamento genético em cascata da hipercolesterolemia familiar podem prever o recrutamento da família com base nas características do caso índice. Esta informação pode ser útil para criar abordagens de rastreamento melhores e mais eficazes para indivíduos em risco.
Fundamento: O rastreamento genético em cascata é o método mais economicamente viável para a identificação de indivíduos com hipercolesterolemia familiar, mas as melhores estratégias para o recrutamento de indivíduos em risco em um programa de rastreamento deste tipo não são inteiramente conhecidas. Objetivo: Identificar os melhores preditores de recrutamento familiar em rastreamento genético, usando características derivadas de probandos testados. Métodos: Foram inscritos 183 casos índices com resultado genético positivo, que tiveram familiares rastreados de janeiro de 2011 a julho de 2015. A variável de resposta foi o número de familiares para cada caso índice inscrito. Todas as variáveis do estudo foram baseadas em características clínicas e socioeconômicas derivadas dos casos índices. O tamanho do efeito das variáveis preditoras foi obtido de modelo linear geral utilizando função de associação de regressão binomial negativa. A significância foi considerada com p < 0,05. Resultados: A média de idade dos casos índices ao ingressar no programa foi de 50 anos; 78,1% dos indivíduos relataram conhecimento de familiares com dislipidemia. O nível médio de LDL-colesterol inicial foi de 316 ± 90 mg/dL. Origem de referência por meio do site do programa em cascata vs. cuidados terciários, LDL-colesterol do caso índice e história familiar de níveis elevados de LDL-colesterol foram preditores independentes associados a um maior número de familiares inscritos. Conclusões: Programas de rastreamento genético em cascata da hipercolesterolemia familiar podem prever o recrutamento da família com base nas características do caso índice. Esta informação pode ser útil para criar abordagens de rastreamento melhores e mais eficazes para indivíduos em risco.
Palavras-chave
Hypelipoproteinemia Type II/genetics, Mass Screening, Dyslipidemias/genetics, Hypercholesterolemia, Genetic Testing, Cholesterol, Hiperlipoproteinemia Tipo II/genética, Programas de Rastreamento, Dislipidemias / genética, Hipercolesterolemia, Testes Genéticos, Colesterol
Referências
- Bell DA, 2015, ATHEROSCLEROSIS, V239, P93, DOI 10.1016/j.atherosclerosis.2014.12.036
- Benn M, 2012, J CLIN ENDOCR METAB, V97, P3956, DOI 10.1210/jc.2012-1563
- Brautbar A, 2015, CURR ATHEROSCLER REP, V17, DOI 10.1007/s11883-015-0491-z
- Duell PB, 2016, J CLIN LIPIDOL, V10, P1011, DOI 10.1016/j.jacl.2016.04.013
- Finnie RM., 2010, BR J DIAB VASC DIS, V10, P123, DOI 10.1177/1474651409343245
- Hallowell N, 2011, J COMMUN GENET, V2, P249, DOI 10.1007/s12687-011-0064-y
- Hardcastle SJ, 2015, INT J BEHAV MED, V22, P92, DOI 10.1007/s12529-014-9402-x
- Henderson R, 2016, J BIOMED SCI, V23, DOI 10.1186/s12929-016-0256-1
- Jannes CE, 2015, ATHEROSCLEROSIS, V238, P101, DOI 10.1016/j.atherosclerosis.2014.11.009
- Kerr M, 2017, EUR HEART J, V38, P1832, DOI 10.1093/eurheartj/ehx111
- Khera AV, 2016, J AM COLL CARDIOL, V67, P2578, DOI 10.1016/j.jacc.2016.03.520
- Lazaro P, 2017, J CLIN LIPIDOL, V11, P260, DOI 10.1016/j.jacl.2017.01.002
- National Institute for Health and Clinical Excellence (NICE), 2009, FAM HYP COST REP IMP, P1
- Neal WA, 2014, CLIN LIPIDOL, V9, P291, DOI 10.2217/CLP.14.19
- Newson AJ, 2005, EUR J HUM GENET, V13, P401, DOI 10.1038/sj.ejhg.5201360
- Nordestgaard BG, 2013, EUR HEART J, V34, P3478, DOI 10.1093/eurheartj/eht273
- Pajak A, 2016, ARCH MED SCI, V12, P687, DOI 10.5114/aoms.2016.59700
- Santos RD, 2016, LANCET DIABETES ENDO, V4, P850, DOI 10.1016/S2213-8587(16)30041-9
- Santos RD, 2012, ARQ BRAS CARDIOL, V99, P1, DOI 10.1590/S0066-782X2013000900001
- Silva PRS, 2016, ATHEROSCLEROSIS, V250, P144, DOI 10.1016/j.atherosclerosis.2016.05.023
- Umans-Eckenhausen MAW, 2001, LANCET, V357, P165, DOI 10.1016/S0140-6736(00)03587-X
- Watts GF, 2011, ATHEROSCLEROSIS SUPP, V12, P221, DOI 10.1016/j.atherosclerosissup.2011.06.001