Serum fibrosis biomarkers predict death and graft loss in liver transplantation recipients
Notice bibliographique
Résumé
Noninvasive serum fibrosis biomarkers predict clinical outcomes in pretransplant patients with chronic liver disease. We investigated the role of serum fibrosis biomarkers and of changes in biomarkers in predicting death and graft loss after liver transplantation (LT). We included 547 patients who underwent LT between 1991 and 2012 and who met the following criteria: patient and graft survival > 12 months; serum fibrosis biomarkers aspartate aminotransferase-to-platelet ratio index (APRI), fibrosis score 4 (FIB-4), and nonalcoholic fatty liver disease (NAFLD) fibrosis score available at 1 year after LT; and a minimum follow-up of 1 year. Delta of fibrosis biomarkers was defined as (end of follow-up score--baseline score)/follow-up duration. Baseline and delta fibrosis biomarkers were associated with death: APRI > 1.5 (adjusted hazard ratio [aHR], 2.2; 95% confidence interval [CI], 1.4-3.3; P < 0.001) and delta APRI > 0.5 (aHR, 5.3; 95% CI, 3.4-8.2; P < 0.001); FIB-4 > 3.3 (aHR, 1.9; 95% CI, 1.3-2.8; P = 0.002) and delta FIB-4 > 1.4 (aHR, 2.4; 95% CI, 1.4-4.1; P = 0.001); and NAFLD fibrosis score > 0.7 (aHR, 1.9; 95% CI, 1.3-2.9; P = 0.002) and delta NAFLD fibrosis score (aHR, 3.7; 95% CI, 2.6-5.4; P < 0.001). Baseline and delta fibrosis biomarkers were associated also with graft loss. In conclusion, serum fibrosis biomarkers 1 year after LT and changes in serum fibrosis biomarkers predict death and graft loss in LT recipients. They may help in risk stratification of LT recipients and identify patients requiring closer monitoring.
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 | 0,000 |
| 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 ».