Supersonic shear imaging for the diagnosis of liver fibrosis and portal hypertension in liver diseases: a meta-analysis
Notice bibliographique
Résumé
BACKGROUND AND AIMS: The meta-analysis aimed to summarize the technical success rate of supersonic shear imaging (SSI) and to evaluate the diagnostic performance of liver and spleen stiffness measurement (LSM and SSM) with SSI for the detection of liver fibrosis, portal hypertension, and gastroesophageal varices in liver diseases. METHODS: PubMed, EMBASE, and Cochrane Library databases were searched. Technical success rate of SSI was pooled. Area under curve (AUC), sensitivity, and specificity with corresponding 95% confidence interval (CI) were calculated. RESULTS: Included studies regarding the diagnostic performance of SSI for liver fibrosis, portal hypertension, and esophageal varices numbered 28, 4, and 4 respectively. The pooled technical success rates of LSM and SSM were 95.3% and 75.5%, respectively. The AUC, sensitivity, and specificity of LSM/SSM for different stages of liver fibrosis were 0.85-0.94, 0.7-0.89, and 0.82-0.92, respectively. The AUC, sensitivity, and specificity of LSM were 0.84 (95%CI = 0.8-0.86), 0.79 (95%CI = 0.7-0.85), and 0.82 (95%CI = 0.72-0.88) for clinically significant portal hypertension, 0.85 (95%CI = 0.82-0.88), 0.8 (95%CI = 0.68-0.88), and 0.8 (95%CI = 0.6-0.92) for any varices, and 0.86 (95%CI = 0.83-0.89), 0.86 (95%CI = 0.76-0.92), and 0.61 (95%CI = 0.35-0.83) for high-risk varices, respectively. CONCLUSIONS: LSM with SSI had a high diagnostic accuracy for liver fibrosis, but a moderate diagnostic accuracy for portal hypertension and esophageal varices.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,006 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».