Liver disease referrals to an urban, hospital‐based hepatology outpatient clinic over the past 25 years
Notice bibliographique
Résumé
Background Additional hepatologists are required to manage the rapidly increasing number of patients with liver disease. One disincentive to trainees considering a career in hepatology is the longstanding perception that outpatient hepatology consists largely of managing patients with alcohol‐induced liver disease (ALD). Objectives To document the types of liver diseases and changes in liver disease referrals to an urban outpatient liver disease clinic over the past 25 years. Methods The nature of the liver disorder, age, gender, and socioeconomic status of patients referred to an urban, hospital‐based, liver diseases outpatient program were documented from 1992 to 2017. Joinpoint analysis was performed to identify significant trends in referral prevalence rates of various disorders. Results In 1992/1993, hepatitis C virus (HCV), followed by hepatitis B virus (HBV), “other”, non‐alcoholic fatty liver disease (NAFLD), and primary biliary cholangitis (PBC) were the most common underlying liver diseases in referred patients (39, 36, 12, 4.5, and 3.5% respectively), whereas in 2016/2017, NAFLD, HBV, HCV, “other,” and ALD were most common (60, 15, 12, 8.7, and 3.3%, respectively). Aside from NAFLD referrals, which consistently increased over the 25‐year period, the prevalence of all other liver disease referrals fluctuated but generally declined. Recently referred patients were significantly older (38 ± 13 years in 1992/1993 and 49 ± 15 years in 2016/2017, P < 0.0001), while gender and socioeconomic status have not changed. Conclusions Hepatology is a diverse, dynamic subspecialty where ALD continues to constitute less than 5% of all patient referrals.
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) | 0,004 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».