Prediction of post-hepatectomy liver failure by preoperative gadoxetate disodium-enhanced magnetic resonance imaging
Notice bibliographique
Résumé
BACKGROUND: Approximately 15% of patients experience post-hepatectomy liver failure after major hepatectomy. Poor hepatocyte uptake of gadoxetate disodium, a magnetic resonance imaging contrast agent, may be a predictor of post-hepatectomy liver failure. METHODS: A retrospective cohort study of patients undergoing major hepatectomy (≥3 segments) with a preoperative gadoxetate disodium-enhanced magnetic resonance imaging was conducted. The liver signal intensity (standardized to the spleen) and the functional liver remnant was calculated to determine if this can predict post-hepatectomy liver failure after major hepatectomy. RESULTS: In 134 patients, low signal intensity of the remnant liver standardized by signal intensity of the spleen in post-contrast images was associated with post-hepatectomy liver failure in multiple logistic regression analysis (Odds Ratio 0.112; 95% CI 0.023-0.551). In a subgroup of 33 patients with lower quartile of functional liver remnant, area under the curve analysis demonstrated a diagnostic accuracy of functional liver remnant to predict post-hepatectomy liver failure of 0.857 with a cut-off value for functional liver remnant of 1.4985 with 80.0% sensitivity and 89.3% specificity. CONCLUSION: Functional liver remnant determined by gadoxetate disodium-enhanced magnetic resonance imaging is a predictor of post-hepatectomy liver failure which may help identify patients for resection, reducing morbidity and mortality.
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) | 0,000 | 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) | 0,001 | 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 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 ».