The applicability of hepatocellular carcinoma risk prediction scores in a North American patient population with chronic hepatitis B infection
Notice bibliographique
Résumé
BACKGROUND: Patients with chronic hepatitis B (CHB) infection are at an increased risk of developing hepatocellular carcinoma (HCC). Risk scores have been developed in Asian populations to predict HCC risk over time. AIM: To assess the performance of HCC risk prediction models in a heterogeneous population of patients with CHB. METHODS: Scores were calculated at baseline using CU-HCC, REACH-B, NGM1-HCC, NGM2-HCC and GAG-HCC models and the incidence of HCC was determined. The predictive ability of each score was evaluated using the area under the receiver operating characteristic curve (AUROC), Cox regression and plots of observed versus predicted HCC. The predictive value of the scores was compared between Asian and non-Asian patients and between cirrhotic versus non-cirrhotic with and without treatment. RESULTS: Of 2105 patients, 70 developed HCC. Increasing risk score was associated with HCC in all models. The CU-HCC model had the highest AUROC in Asian (0.85) and non-Asian (0.91) patients. Patients identified as low risk by any model had a very low incidence of HCC (0-0.15 per year), with the highest proportion of patients identified as low risk using CU-HCC (67%) or GAG-HCC (78%). The risk of HCC was similar to predicted for low-risk and medium-risk patients but was lower than predicted for high-risk patients. Treated patients had a lower than predicted risk of HCC, particularly in non-cirrhotic high-risk patients with longer follow-up. CONCLUSIONS: Although all models predicted the risk of HCC, models that incorporated parameters of liver function or cirrhosis (CU-HCC/GAG-HCC) were most accurate. Low-risk patients likely require reduced HCC surveillance.
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 ».