Combined and sequential non-invasive approach to diagnosing non-alcoholic steatohepatitis in patients with non-alcoholic fatty liver disease and persistently normal alanine aminotransferase levels
Notice bibliographique
Résumé
BACKGROUND AND AIM: Imaging-confirmed non-alcoholic fatty liver disease (NAFLD) with normal alanine aminotransferase (nALT) levels is infrequently the subject for further evaluation. Early diagnosis of non-alcoholic steatohepatitis (NASH) is needed to prevent disease progression. Thus, we tested the clinical utility of serum Golgi protein 73 (GP73) levels and developed a new non-invasive score to diagnose NASH in patients with biopsy-confirmed NAFLD and persistent nALT levels. METHODS: Serum GP73 and cytokeratin-18 M30 fragments (CK18-M30) levels were measured in 345 patients with biopsy-proven NAFLD. We developed a new score, named G-NASH model (by incorporating serum GP73), and combined it with serum CK18-M30 measurement in a sequential non-invasive approach to accurately identify NASH among patients with NAFLD and persistent nALT levels. RESULTS: 105 (30.4%) patients had persistent nALT, 53 of whom had histologically confirmed NASH. Both serum GP73 and CK18-M30 levels alone had poor diagnostic accuracy in identifying NASH (55.2% and 51.6%, respectively) in these patients. Conversely, G-NASH model performed better than other established non-invasive scoring systems, and by using our proposed sequential non-invasive approach 82.9% of patients with NASH were correctly identified. CONCLUSIONS: NASH is highly prevalent in patients with NAFLD with persistent nALT levels. The G-NASH model accurately identifies NASH in this patient group.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».