96-OR: Liver Fibrosis Scores in Novel Subclusters of Patients at Risk for Type 2 Diabetes
Notice bibliographique
Résumé
Metabolic diseases such as type 2 diabetes (T2D) are linked to the development of fatty liver, steatohepatitis and liver fibrosis. We have previously described novel clusters of patients at risk for T2D. Three clusters (3, 5 and 6) either had a high risk to progress to T2D or to develop cardiorenal complications. While high-risk clusters differ in liver fat content, it remains unknown if they also harbor a different risk for hepatic fibrosis. Thus, we determined clinically applicable scores of liver fibrosis in 1115 subjects at risk for T2D from the TUEF/TULIP study, which were categorized into high-risk clusters (n=602). Liver fat content was determined by 1H-magnetic resonance spectroscopy. The AST-to-platelet-ratio index (APRI), fibrosis-4 score (FIB-4) and NAFLD fibrosis score (NFS) were used to determine fibrosis risk. ANCOVA model analysis adjusted for liver fat content was performed. Of the high-risk clusters (3: n= 83, 5: n= 203, 6: n= 316), cluster 6 had the highest BMI 44.1±9.7 kg/m² (vs. cluster 3: 29.7±3.1 kg/m², p<0.001 and cluster 5: 42.8.0±8.7, p=0.32) and cluster 5 had the highest liver fat content (13.4±8.8% vs. cluster 3: 8.0±6.5, p<0.001 and cluster 6: 9.0±6.7, p<0.001). All fibrosis scores correlated with liver fat content (e.g. FIB-4: r= 0.45, p< 0.0001). Although FIB-4, APRI and NFS were generally low, they were highest in cluster 5, but despite highest liver fat content, they did not differ from cluster 3 and 6 (e.g. FIB-4: cluster 5: 0.19±0.45 vs. cluster 3: 0.14±0.01, p=0.59 and cluster 6: 0.12±0.15, p=0.39). Interestingly, cluster 3 with the lowest liver fat content exhibited higher FIB-4 compared to cluster 6 (p=0.02). According to clinically applicable scores, the most insulin resistant cluster 5 has the highest FIB-4 score. The insulin deficient cluster 3 has a relatively high FIB-4 score despite relatively low liver fat content and BMI. Further studies are needed to investigate the clinical relevance of these findings. Disclosure V.Minelli faiao: None. A.Peter: None. A.L.Birkenfeld: None. N.Stefan: Advisory Panel; Pfizer Inc., Research Support; Sanofi, Speaker's Bureau; AstraZeneca, Boehringer Ingelheim (Canada) Ltd., Lilly Diabetes, Novo Nordisk, Sanofi-Aventis Deutschland GmbH. R.Jumpertz von schwartzenberg: Other Relationship; Sanofi, Amgen Inc., Lilly, Novo Nordisk. A.Sandforth: None. S.Katzenstein: None. A.Fritsche: Advisory Panel; Novo Nordisk, Lilly, Sanofi, Boehringer-Ingelheim, Speaker's Bureau; AstraZeneca, SYNLAB Holding Deutschland GmbH. L.Fritsche: None. J.Machann: None. F.Schick: None. H.Häring: None. R.Wagner: Advisory Panel; Daiichi Sankyo, Speaker's Bureau; Novo Nordisk, Sanofi.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».