Precision in Liver Diagnosis: Varied Accuracy Across Subgroups and the Need for Variable Thresholds in Diagnosis of <scp>MASLD</scp>
Notice bibliographique
Résumé
BACKGROUND AND AIMS: The performance of non-invasive liver tests (NITs) is known to vary across settings and subgroups. We systematically evaluated whether the performance of three NITs in detecting advanced fibrosis in patients with metabolic dysfunction-associated steatotic liver disease (MASLD) varies with age, sex, body mass index (BMI), type 2 diabetes mellitus (T2DM) status or liver enzymes. METHODS: Data from 586 adult LITMUS Metacohort participants with histologically characterised MASLD were included. The diagnostic performance of the Fibrosis-4 Index (FIB-4), enhanced liver fibrosis (ELF) and vibration-controlled transient elastography liver stiffness measurement (VCTE LSM) was evaluated. Performance was expressed as the area under the receiver operating characteristics curve (AUC). Thresholds for detecting advanced fibrosis (≥F3) were calculated for each NIT for fixed (high) sensitivity, specificity and predictive values. RESULTS: Differences in AUC between all subgroups were small and statistically not significant, indicating comparable performance in detecting ≥F3, irrespective of these clinical factors. However, different thresholds were needed to achieve the same level of accuracy with each test. For example, for a fixed sensitivity and specificity, the thresholds for all three NITs were higher in patients with T2DM. Effects for sex, age and liver enzymes were less pronounced. CONCLUSIONS: Performance of the selected NITs in detecting advanced liver fibrosis does not vary substantially with clinical characteristics. However, different thresholds have to be selected to achieve the same sensitivity, specificity and predictive values in the respective subgroups. Large prospective studies are called for to study NIT accuracy considering multiple patient characteristics.
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 | 0,001 |
| 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 ».