Impact of Implementing a “FIB‐4 First” Strategy on a Pathway for Patients With NAFLD Referred From Primary Care
Notice bibliographique
Résumé
Detection of advanced fibrosis in nonalcoholic fatty liver disease (NAFLD) is essential for stratifying patients according to the risk of liver‐related morbidity. Noninvasive methods such as vibration‐controlled transient elastography (VCTE) and Fibrosis‐4 index (FIB‐4) have been recommended to identify patients for further assessment. The aim of this study was to assess the potential impact of implementing a “FIB‐4 First” strategy to triage patients entering a NAFLD assessment pathway. The pathway for patients with suspected NAFLD was piloted at a tertiary liver center. Referral criteria were 16‐65 years old, elevated alanine aminotransferase and/or steatosis on imaging, and absence of a previous liver diagnosis. A registered nurse risk‐stratified all patients based on VCTE and FIB‐4 was calculated. Potential alternative diagnoses were excluded with bloodwork. A total of 565 patients underwent risk stratification with VCTE with a 97% success rate. Ten percent had VCTE of at least 8 kPa; 560 patients had FIB‐4 available for analysis and 87% had values less than 1.3. Of those with a FIB‐4 of at least 1.3, 69% had a VCTE less than 8 kPa. Further modeling showed that the presence of diabetes, age, and body mass index had only a moderate impact on the association between FIB‐4 and elastography values if using a FIB‐4 threshold of 1.3. Conclusion: A FIB‐4 threshold of 1.3 was acceptable for excluding the presence of advanced fibrosis (assessed by VCTE). A staged risk‐stratification model using FIB‐4 and VCTE could save up to 87% of further assessments. This model could improve accessibility by moving the initial fibrosis evaluation to the medical home and helping to prioritize patients for further specialized care.
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 ».