Evaluating the Effect of Artificial Liver Support on Acute-on-Chronic Liver Failure Using the Quantitative Difference Algorithm: Retrospective Study
Notice bibliographique
Résumé
BACKGROUND: Liver failure, including acute-on-chronic liver failure (ACLF), occurs mainly in young adults and is associated with high mortality and resource costs. The prognosis evaluation is a crucial part of the ACLF treatment process and should run through the entire diagnosis process. As a recently proposed novel algorithm, the quantitative difference (QD) algorithm holds promise for enhancing the prognosis evaluation of ACLF. OBJECTIVE: This study aims to examine whether the QD algorithm exhibits comparable or superior performance compared to the Model for End-Stage Liver Disease (MELD) in the context of prognosis evaluation. METHODS: A total of 27 patients with ACLF were categorized into 2 groups based on their treatment preferences: the conventional treatment (n=12) and the double plasma molecular absorption system (DPMAS) with conventional treatment (n=15) groups. The prognosis evaluation was performed by the MELD and QD scoring systems. RESULTS: A significant reduction was observed in alanine aminotransferase (P=.02), aspartate aminotransferase (P<.001), and conjugated bilirubin (P=.002), both in P values and QD value (Lτ>1.69). A significant decrease in hemoglobin (P=.01), red blood cell count (P=.01), and total bilirubin (P=.02) was observed in the DPMAS group, but this decrease was not observed in QD (Lτ≤1.69). Furthermore, there was a significant association between MELD and QD values (P<.001). Significant differences were observed between groups based on patients' treatment outcomes. Additionally, the QD algorithm can also demonstrate improvements in patient fatigue. DPMAS can reduce alanine aminotransferase, aspartate aminotransferase, and unconjugated bilirubin. CONCLUSIONS: As a dynamic algorithm, the QD scoring system can evaluate the therapeutic effects in patients with ACLF, similar to MELD. Nevertheless, the QD scoring system surpasses the MELD by incorporating a broader range of indicators and considering patient variability.
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 | 0,003 | 0,005 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».