Cardiac iron overload evaluation in thalassaemic patients using T2* magnetic resonance imaging following chelation therapy: a multicentre cross-sectional study
Notice bibliographique
Résumé
INTRODUCTION: Magnetic resonance imaging (MRI) T2* technique is used to assess iron overload in the heart, liver and pancreas of thalassaemic patients. Optimal iron chelation and expected tissue iron response rates remain under investigation. The objective of this study was to analyse serum ferritin and the iron concentration in the heart, liver and pancreas measured by MRI T2*/R2* during regular chelation therapy in a real-world cohort of patients with thalassemia. METHODS: We evaluated thalassaemic patients ≥ 7 years old undergoing chelation/transfusion therapy by MRI and assessed serum ferritin at baseline and follow-up from 2004-2011. RESULTS: We evaluated 136 patients, 92% major thalassaemic, with a median age of 18 years, and median baseline ferritin 2.033ng/ml (range: 59-14,123). Iron overload distribution was: liver (99%), pancreas (74%) and heart (36%). After a median of 1.2 years of follow-up, the iron overload in the myocardium reduced from 2,63 Fe mg/g to 2,05 (p 0.003). The optimal R2* pancreas cut-off was 148 Hertz, achieving 78% sensitivity and 73% specificity. However, when combining the R2* pancreas cut off ≤ 50 Hertz and a ferritin ≤ 1222 ng/ml, we could reach a negative predictive value (NPV) of 98% for cardiac siderosis. Only 28% were undergoing combined chelation at baseline assessment, which increased up to 50% on follow up evaluation. CONCLUSIONS: Chelation therapy significantly reduced cardiac siderosis in thalassaemic patients. In patients with moderate/severe liver iron concentration undergoing chelation therapy, ferritin levels and myocardium iron improved earlier than the liver siderosis.
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 ».