Transient Elastography in the Evaluation of Cystic Fibrosis–Associated Liver Disease: Systematic Review and Meta-analysis
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Complications of cystic fibrosis-associated liver disease (CFLD) are a leading nonpulmonary cause of death. Transient elastography (TE) has recently been investigated to detect CFLD. This study reviews the current literature for TE in the detection CFLD. A meta-analysis was performed to determine the ideal liver stiffness measurement (LSM) cutoff. METHODS: PubMed, Medline, EMBASE and Web of Science were searched from inception until April 2016 for publications involving the detection of CFLD with TE. Data were extracted using a fixed protocol (a priori design) including study design, population characteristics, probe size and AST Platelet Ratio Index (APRI). RESULTS: Diagnostic properties were summarized from six studies of 605 patients. Cutoff for LSM was determined using pooled data submitted by authors. The cutoff for LSM and APRI were ≥5.95 kPa and ≥0.329 respectively, yielding a sensitivity, specificity and area under receiver operator characteristic of 55%, 87%, 0.76, 52%, 93% and 0.84 for LSM and APRI, respectively. When LSM ≥5.95 kPa and APRI ≥0.329, the sensitivity, specificity, positive predictive value and negative predictive value were 43%, 99%, 92% and 87% with a diagnostic odds ratio of 74.9. A bivariate metaregression model showed that pediatric specific cutoffs for liver stiffness and APRI may not be necessary. CONCLUSION: Individually, LSM and APRI have poor sensitivity but good specificity for detecting CFLD. They are most useful when combined. We propose that patients with LSM ≥5.95 kPa and APRI ≥0.329 be investigated thoroughly for the presence of cystic fibrosis-associated liver disease.
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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».