Test characteristics for combining non‐invasive liver fibrosis staging modalities in individuals with Hepatitis C virus
Notice bibliographique
Résumé
Non-invasive methods have largely replaced biopsy to identify advanced fibrosis in hepatitis C virus (HCV). Guidelines vary regarding testing strategy to balance accuracy, costs and loss to follow-up. Although individual test characteristics are well-described, data comparing the accuracy of using two tests together are limited. We calculated combined test characteristics to determine the utility of combined strategies. This study synthesizes empirical data from fibrosis staging trials and the literature to estimate test characteristics for Fibrosis-4 (FIB4), APRI or a commercial serum panel (FibroSure®), followed by transient elastography (TE) or FibroSure®. We simulated two testing strategies: (1) second test only for those with intermediate first test results (staged approach), and (2) second test for all. We summarized empiric data with multinomial distributions and used this to estimate test characteristics of each strategy on a simulated population of 10,000 individuals with 4.2% cirrhosis prevalence. Negative predictive value (NPV) for cirrhosis from a single test ranged from 98.2% (95% CB 97.6-98.8%) for FIB-4 to 99.4% (95% CB 99.0-99.8%) for TE. Using a staged approach with TE second, sensitivity for cirrhosis rose to 93.3-96.9%, NPV to 99.7-99.8%, while PPV dropped to <32%. Using TE as a second test for all minimally changed estimated test characteristics compared with the staged approach. Combining two non-invasive fibrosis tests barely improves NPV and decreases or does not change PPV compared with a single test, challenging the utility of serial testing modalities. These calculated combined test characteristics can inform best methods to identify advanced fibrosis in various populations.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».