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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».