MétaCan
Menu
← Retour à la cohorte
Enregistrement W4316077385 · doi:10.14309/01.ajg.0000860328.81814.cd

S922 Multicenter Validation of Screening Tool for Diagnosing Non-Alcoholic Fatty Liver Disease in Patients with Crohn’s Disease

2022· article· en· W4316077385 sur OpenAlexaffabout
Eric Prado, Yasi Xiao, Ankita Tirath, Carl Kay, Mithun Sharma, Giada Sebastiani, Matthew A. Ciorba, Nicholas O. Davidson, Anish Patel, Talat Bessisow, Rupa Banerjee, Scott McHenry, Parakkal Deepak

Notice bibliographique

RevueThe American Journal of Gastroenterology · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueLiver Disease Diagnosis and Treatment
Établissements canadiensMcGill University Health CentreUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineInternal medicineGastroenterologySteatosisFatty liverNonalcoholic fatty liver diseaseTransient elastographyGold standard (test)Logistic regressionDiseaseProspective cohort studyLiver biopsyBiopsy

Résumé

récupéré en direct d'OpenAlex

Introduction: Crohn’s Disease (CD) patients are twice as likely compared to controls to develop nonalcoholic fatty liver disease (NAFLD) leading to increased risk of cardiometabolic complications. Given this, we developed the first clinical screening tool for NAFLD in CD, Clinical Predictor for NAFLD in CD (CPN-CD) which uses readily accessible laboratory and clinical parameters. We have demonstrated CPN-CD outperforms the Hepatic Steatosis Index in detecting NAFLD in CD in an internal cohort. Here we performed a multicenter analysis to externally validate CPN-CD against transient elastography (TE) and establish its diagnostic accuracy to detect NAFLD in patients with CD at two different controlled attenuation parameter (CAP) thresholds. Methods: A total of 454 patients with CD across four prospective cohorts from tertiary IBD centers across United States, Canada and India were included in the study. Of these, 412 patients were screened with TE only to determine prevalence of hepatic steatosis while 42 were screened with additional gold standard magnetic resonance imaging derived proton density fat fraction (MRI-PDFF), where hepatic steatosis was defined as ≥ 5.5% fat density, then reflexed to TE. To evaluate discriminative ability of CPN-CD to screen for NAFLD, patients were split into two CAP categories on TE; CAP ≥ 248 dB/m or ≥ 300 dB/m. Results: In the four cohorts, the prevalence of NAFLD ranged from 32% to 76%. Using logistic regression, the relationship of CPN-CD to CAP ≥ 248 dB/m and CAP ≥ 300 dB/m revealed C-statistic 0.80 (0.75 – 0.84) and 0.79 (0.73 – 0.85) respectively. However, at CAP ≥ 300 dB/m, CPN-CD had higher specificity (74%) and NPV (80%) compared to CAP ≥ 248 dB/m (Table). For the group who first underwent screening MRI-PDFF the yield of finding NAFLD was 2- to 6-fold higher compared to TE alone. Conclusion: CPN-CD provides fair discrimination to detect NAFLD determined on TE at CAP ≥ 300 dB/m in an external validation study conducted in four multinational cohorts. Future directions include synchronous MRI-PDFF and TE to recalibrate the score to improve specificity and then test generalizability in ulcerative colitis. Table 1. - Diagnostic accuracy of CPN-CD in detecting NAFLD in CD patients using transient elastography as reference standard CAP ≥ 248 dB/m CAP ≥ 300 dB/m Sensitivity 36% 29% Specificity 17% 74% PPV 21% 22% NPV 30% 80% CAP, controlled attenuation parameter; CD, Crohn’s disease; CPN-CD, clinical predictor tool for NAFLD in Crohn’s disease; NPV, negative predictive value; PPV, positive predictive value.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,250
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe American Journal of Gastroenterology→Même sujetLiver Disease Diagnosis and Treatment→Travaux en français237 207→