Use of HBV RNA and to predict change in serological status and disease activity in CHB
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Predicting changes in disease activity and serological endpoints is necessary for the management of patients with chronic hepatitis B (CHB). We examined whether HBV RNA and hepatitis B core-related antigen (HBcrAg), two specialized virological markers proposed to reflect the activity of covalently closed circular DNA, may improve the ability to predict not sustained inactive carrier phase, spontaneous alanine aminotransferase (ALT) flare, HBeAg loss, and HBsAg loss. APPROACH AND RESULTS: Among eligible participants enrolled in the North American Hepatitis B Research Network Adult Cohort Study, we evaluated demographic, clinical, and virologic characteristics, including HBV RNA and HBcrAg, to predict not sustained inactive carrier phase, ALT flare, HBeAg loss, and HBsAg loss through a series of Cox proportional hazard or logistic regression models, controlling for antiviral therapy use. Among the study population, 54/103 participants experienced not sustained inactive carrier phase, 41/1006 had a spontaneous ALT flare, 83/250 lost HBeAg, and 54/1127 lost HBsAg. HBV RNA or HBcrAg were predictive of all 4 events. However, their addition to models of the readily available host (age, sex, race/ethnicity), clinical (ALT, use of antiviral therapy), and viral factors (HBV DNA), which had acceptable-excellent accuracy (e.g., AUC = 0.72 for ALT flare, 0.92 for HBeAg loss, and 0.91 for HBsAg loss), provided only small improvements in predictive ability. CONCLUSION: Given the high predictive ability of readily available markers, HBcrAg and HBV RNA have a limited role in improving the prediction of key serologic and clinical events in patients with CHB.
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 | 0,001 |
| 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 ».