Acute Liver Failure: Biomarkers Evaluated by the Acute Liver Failure Study Group
Notice bibliographique
Résumé
There has been a growing interest in identifying prognostic biomarkers that alone or with available prognostic models (King's College Criteria, KCC; MELD and ALFSG Prognostic Index) would improve prognosis in acute liver failure (ALF) patients being assessed for liver transplantation. The Acute Liver Failure Study Group (ALFSG) has evaluated 15 potential prognostic biomarkers: serum AFP; apoptosis-associated proteins; serum actin-free Gc-globulin; serum glycodeoxycholic acid; sRAGE/RAGE ligands; plasma osteopontin; circulating MBL, M-, L-, H-ficolin and CL-1; plasma galectin-9; serum FABP1; serum Lct2; miRNAs; factor V; thrombocytopenia, and sCD163. The ALFSG also has reported on 4 susceptibility biomarkers: keratins 8 and 18 (K8/K18) gene variants; polymorphisms of genes encoding putative APAP-metabolizing enzymes ( UGT1A1 , UGT 1A0 , UGT 2B15 , SULT1A1 , CYP2E1 , and CYP3A5 ) as well as CD44 and BHMT1 ; single nucleotide polymorphisms (SNPs) of genes associated with human behavior, rs2282018 in the arginine vasopressin ( AVP ) gene and rs11174811 in the AVP receptor 1A gene. Finally, rs2277680 of the CSCL16 gene in HBV-ALF patients. In conclusion, we have reviewed the prognostic and susceptibility biomarkers studied by the ALFSG. We suggest that a better approach to predicting the clinical outcome of an ALF patient will require a combination of biomarkers of pathogenic processes such as cell death, hepatic regeneration, and degree of inflammation that could be incorporated into prognostic models such as KCC, MELD or ALFSG PI.
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 | 0,001 | 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 ».