Abbreviated Multiparametric MR Solution (the “Liver Triple Screen”), the Future of Non-Invasive MR Quantification of Liver Fat, Iron, and Fibrosis
Notice bibliographique
Résumé
Background/Objectives: To review the findings of a multiparametric MRI (the “liver triple screen”) solution for the non-invasive assessment of liver fat, iron, and fibrosis in patients with chronic liver disease (CLD). Methods: A retrospective evaluation of all consecutive triple screen MRI cases was performed at our institution over the last 32 months. Relevant clinical, laboratory, and radiologic data were analyzed using descriptive statistics. Results: There were 268 patients, including 162 (60.4%) males and 106 (39.6%) females. The mean age was 54 ± 15.2 years (range 16 to 71 years). The most common cause of CLD was metabolic dysfunction-associated steatotic liver disease (MASLD) at 45.5%. The most common referring physician group was Gastroenterology at 62.7%. In 23.9% of cases, the reason for ordering the MRI was a pre-existing failed or unreliable US elastography. There were 17 cases (6.3%) of MRI technical failure. Our analysis revealed liver fibrosis in 66% of patients, steatosis in 68.3%, and iron overload in 22.1%. Combined fibrosis and steatosis were seen in 28.7%, steatosis and iron overload in 16.8%, fibrosis and iron overload in 6%, and combined fibrosis, steatosis, and iron overload in 4.1%. A positive MEFIB index, a predictor of liver-related outcomes, was found in 57 (27.5%) of 207 patients. Incidental findings were found in 14.9% of all MRIs. Conclusions: The liver triple screen MRI is an effective tool for evaluating liver fat, iron, and fibrosis in patients with CLD. It provides essential clinical information and can help identify MASLD patients at risk for liver-related outcomes.
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 | 0,001 |
| 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 ».