Laboratory‐based scoring system for prediction of hepatic inflammatory activity in patients with autoimmune hepatitis
Notice bibliographique
Résumé
BACKGROUND & AIMS: In autoimmune hepatitis (AIH), inflammation is closely related to fibrosis. Although transaminase levels are commonly used to assess hepatic inflammation, they may not relate directly to the histology. We developed a noninvasive diagnostic score as an alternative to liver biopsy to help optimize treatment for AIH and monitor disease progress. METHODS: Eighty-two participants with type 1 AIH who had undergone liver biopsy were included (44 in training and 38 in validation sets). Liver histology was assessed according to the histologic activity index (HAI; score 0-18) and Ishak's histologic fibrosis index (HFI; score 0-6). High inflammation was defined as HAI>4, and advanced fibrosis was defined as HFI>2. Routine laboratory test findings and stepwise linear regression were used to develop the best models predicting HAI and HFI. The best cut-off value to predict high inflammation and advanced fibrosis for these formulas was then calculated based on receiver-operating characteristic analysis. RESULTS: The cut-off value for a model predicting high inflammation was ≥3.57 (AUROC = 0.93; 95% CI: 0.86-1.00), with 100% sensitivity and 85% specificity. High inflammation was confirmed with an 81% positive predictive value and excluded with a 100% negative predictive value. In the validation set, the sensitivity, specificity, positive predictive value and negative predictive values were 100, 56, 88 and 100% respectively. The diagnostic yield of the fibrosis score was unsatisfactory. CONCLUSIONS: The noninvasive inflammatory score based on four routine laboratory parameters discriminated patients with and without significant hepatic inflammation and may facilitate follow-up of type 1 AIH patients.
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 ».