Individual Participant Data Meta-Analysis of LR-5 in LI-RADS Version 2018 versus Revised LI-RADS for Hepatocellular Carcinoma Diagnosis
Notice bibliographique
Résumé
Background A simplification of the Liver Imaging Reporting and Data System (LI-RADS) version 2018 (v2018), revised LI-RADS (rLI-RADS), has been proposed for imaging-based diagnosis of hepatocellular carcinoma (HCC). Single-site data suggest that rLI-RADS category 5 (rLR-5) improves sensitivity while maintaining positive predictive value (PPV) of the LI-RADS v2018 category 5 (LR-5), which indicates definite HCC. Purpose To compare the diagnostic performance of LI-RADS v2018 and rLI-RADS in a multicenter data set of patients at risk for HCC by performing an individual patient data meta-analysis. Materials and Methods Multiple databases were searched for studies published from January 2014 to January 2022 that evaluated the diagnostic performance of any version of LI-RADS at CT or MRI for diagnosing HCC. An individual patient data meta-analysis method was applied to observations from the identified studies. Quality Assessment of Diagnostic Accuracy Studies version 2 was applied to determine study risk of bias. Observations were categorized according to major features and either LI-RADS v2018 or rLI-RADS assignments. Diagnostic accuracies of category 5 for each system were calculated using generalized linear mixed models and compared using the likelihood ratio test for sensitivity and the Wald test for PPV. Results Twenty-four studies, including 3840 patients and 4727 observations, were analyzed. The median observation size was 19 mm (IQR, 11–30 mm). rLR-5 showed higher sensitivity compared with LR-5 (70.6% [95% CI: 60.7, 78.9] vs 61.3% [95% CI: 45.9, 74.7]; P < .001), with similar PPV (90.7% vs 92.3%; P = .55). In studies with low risk of bias (n = 4; 1031 observations), rLR-5 also achieved a higher sensitivity than LR-5 (72.3% [95% CI: 63.9, 80.1] vs 66.9% [95% CI: 58.2, 74.5]; P = .02), with similar PPV (83.1% vs 88.7%; P = .47). Conclusion rLR-5 achieved a higher sensitivity for identifying HCC than LR-5 while maintaining a comparable PPV at 90% or more, matching the results presented in the original rLI-RADS study. © RSNA, 2023 Supplemental material is available for this article. See also the editorial by Sirlin and Chernyak in this issue.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,005 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».