Evaluation of renal parenchyma stiffness in children with nephropathy by shear wave elastography: A systematic review and <scp>meta‐analysis</scp>
Notice bibliographique
Résumé
BACKGROUND: The role of shear wave elastography (SWE) in assessing renal parenchymal stiffness in children with nephropathy is obscure. This systematic review and meta-analysis investigated this issue. MATERIALS AND METHODS: PubMed, Embase, Web of Science, and the Cochrane Library databases were searched for studies evaluating renal parenchyma stiffness in children with nephropathy by SWE from inception to October 2021. The search was not limited by language. Two investigators independently screened the literature and extracted data. Any discrepancies were resolved via discussion with the senior professor. Study quality was assessed by the Newcastle-Ottawa Scale and the standardized mean difference of shear wave velocity (SWV) for the evaluation of renal parenchyma stiffness was determined. RESULTS: Eight studies involving a total of 496 children with nephropathy and 353 healthy children were selected. Eight studies used SWV as parameters of renal parenchyma stiffness. The SWV was not significantly different in children with renal lesion than in those without renal lesion, with a standardized mean difference of 0.49 (95% confidence level, -0.40 to 1.39, p = 0.28). There was a high heterogeneity between studies. CONCLUSION: Although there was significant difference in SWE of renal parenchyma between controls and patients in each study we included, statistical differences were not seen after results of all research were amalgamated due to different diseases with different pathomechanisms. SWE could be used to evaluate renal parenchymal stiffness in children with kidney disease after more well-designed and high-quality studies with a large sample size will be performed in the future.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».