The effect of weight gain and metabolic dysfunction-associated steatotic liver disease on liver fibrosis progression and regression in people with HIV
Notice bibliographique
Résumé
OBJECTIVE: People with HIV (PWH) have high risk of liver fibrosis. We investigated the effect of weight gain and metabolic dysfunction-associated steatotic liver disease (MASLD) on liver fibrosis dynamics. DESIGN: Multicenter cohort study. METHODS: Fibrosis progression was defined as development of significant fibrosis [liver stiffness measurement (LSM) ≥8 kPa], or transition to cirrhosis (LSM ≥13 kPa), for those with significant fibrosis at baseline. Fibrosis regression was defined as transition to LSM less than 8 kPa, or to LSM less than 13 kPa for those with cirrhosis at baseline. MASLD was defined as hepatic steatosis (controlled attenuation parameter >248 dB/m) with at least one metabolic abnormality. A continuous-time multistate Markov model was used to describe transitions across fibrosis states. RESULTS: Among 1183 PWH included from three centers (25.2% with viral hepatitis coinfection), baseline prevalence of significant fibrosis and MASLD was 14.4 and 46.8%, respectively. During a median follow-up of 2.5 years (interquartile range 1.9-3.5), the incidence rate of fibrosis progression and regression was 2.8 [95% confidence interval (CI) 2.3-3.4] and 2.2 (95% CI 1.9-2.6) per 100 person-years, respectively. In Markov model, weight gain increased the odds of fibrosis progression [odds ratio (OR) 3.11, 95% CI 1.59-6.08], whereas weight gain (OR 0.30, 95% CI 0.10-0.84) and male sex (OR 0.32, 95% CI 0.14-0.75) decreased the odds of fibrosis regression. On multivariable Cox regression analysis, predictors of fibrosis progression were weight gain [adjusted hazard ratio (aHR) 3.12, 95% CI 1.41-6.90] and MASLD (aHR 2.72, 95% CI 1.05-7.02). CONCLUSION: Fibrosis transitions are driven by metabolic health variables in PWH, independently of viral hepatitis coinfection and antiretroviral class therapy.
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) | 0,000 | 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 ».