Platelet count to spleen diameter ratio non‐invasively identifies severe fibrosis and cirrhosis in patients with autoimmune hepatitis
Notice bibliographique
Résumé
BACKGROUND AND AIM: Non-invasive markers are essential to assess the progression of chronic liver diseases to fibrosis/ cirrhosis and the effectiveness of therapeutic strategies. The aim of this study was to evaluate the ability of non-invasive markers to identify significant fibrosis, severe fibrosis, and cirrhosis in patients with autoimmune hepatitis (AIH). METHODS: Seventy-six patients with AIH were enrolled in the study and analyzed for the following parameters of liver fibrosis: Fibrosis 4 score (FIB-4), aspartate aminotransferase (AST) to alanine aminotransferase (ALT) ratio (AAR), AST to platelet count ratio (APRI), and platelet count to spleen diameter (PC/SD) ratio. All patients underwent liver biopsy. The diagnostic accuracy of tests was evaluated by the area under the receiver operating characteristic curve (AUROC). RESULTS: Among the 76 AIH patients, 55 (72.3%) had significant fibrosis (≥ F2), 37 (48.7%) had severe fibrosis (≥ F3), and 29 (38.2%) had cirrhosis (F4). PC/SD ratio (AUROC = 0.840) was superior to AAR (AUROC = 0.756), FIB-4 (AUROC = 0.702), and APRI (AUROC = 0.626) in discriminating between mild and significant fibrosis (≥ F2). The AUROCs of PC/SD ratio, FIB-4, AAR, and APRI were 0.884, 0.742, 0.731, and 0.707, respectively, for severe fibrosis (≥ F3); 0.968, 0.795, 0.744, and 0.723, respectively, for cirrhosis (F4). PC/SD ratio correctly identified 85.1% of patients with severe fibrosis, and 89.6% of patients with cirrhosis. CONCLUSIONS: PC/SD ratio proved to be a simple non-invasive tool to correctly identify AIH patients with severe fibrosis and cirrhosis, thereby reducing the need for a liver biopsy in these 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) | 0,001 | 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 ».