Role of point-of-care ultrasound (POCUS) in clinical hepatology
Notice bibliographique
Résumé
Hospitalized patients with cirrhosis frequently require critical care management for sepsis, HE, respiratory failure, acute variceal bleeding, acute kidney injury (AKI), shock, and optimization for liver transplantation, while outpatients have unique care considerations. Point-of-care ultrasonography (POCUS) enhances bedside examination of the hepatobiliary system and relevant extrahepatic sites. POCUS includes cardiac US and is used to assess volume status and hemodynamic parameters like cardiac output, systemic vascular resistance, cardiac contractility, and pulmonary artery pressure, which aid in the early and accurate diagnosis of heart failure, cirrhotic cardiomyopathy, porto-pulmonary hypertension, hepatopulmonary syndrome, arrhythmia, and pulmonary embolism. This also helps in fluid management and vasopressor use in the resuscitation of patients with cirrhosis. Lung ultrasound (LUS) can help in differentiating pneumonia, effusion, and edema. Further, US guides interventions such as line placement, drainage of abdominal collections/abscesses, relief of tension pneumothorax, drainage of pleural and pericardial effusions, and biliary drainage in cholangitis. Additionally, its role is essential to assess liver masses foci of sepsis, for appropriate sites for paracentesis, and to assess for vascular disorders such as portal vein or hepatic vein thrombosis. Renal US can identify renal and postrenal causes of AKI and aid in diagnosis of prerenal AKI through volume assessment. In this review, we address the principles and methods of POCUS in hospitalized patients and in outpatients with cirrhosis and discuss the application of this diverse modality in clinical hepatology.
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 ».