Enhanced Liver Fibrosis (ELF) test accurately identifies liver fibrosis in patients with chronic hepatitis C
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Assessment of liver fibrosis is important in determining prognosis and evaluating interventions. Due to limitations of accuracy and patient hazard of liver biopsy, non-invasive methods have been sought to provide information on liver fibrosis, including the European liver fibrosis (ELF) test, shown to have good diagnostic accuracy for the detection of moderate and severe fibrosis. Access to independent cohorts of patients has provided an opportunity to explore if this test could be simplified. This paper reports the simplification of the ELF test and its ability to identity severity of liver fibrosis in external validation studies in patients with chronic hepatitis C (CHC). Paired biopsy and serum samples from 347 naïve patients with CHC in three independent cohorts were analysed. Diagnostic performance characteristics were derived (AUROC, sensitivity and specificity, predictive values), and clinical utility modelling performed to determine the proportion of biopsies that could have been avoided if ELF test was used in this patient group. It was possible to simplify the original ELF test without loss of performance and the new algorithm is reported. The simplified ELF test was able to predict severe fibrosis [pooled AUROC of 0.85 (95% CI 0.81-0.89)] and using clinical utility modelling to predict severe fibrosis (Ishak stages 4-6; METAVIR stages 3 and 4) 81% of biopsies could have been avoided (65% correctly). Issues of spectrum effect in diagnostic test evaluations are discussed. In chronic hepatitis C a simplified ELF test can detect severe liver fibrosis with good accuracy.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle