Underestimation of liver fibrosis using vibration-controlled transient elastography on cirrhosis. Are there predictors?
Notice bibliographique
Résumé
Background: Detection of liver fibrosis helps to make therapeutic decisions and with screening in patients with chronic liver diseases. Transient elastography (TE) is an accurate, noninvasive technique to assess liver fibrosis but sometimes it is underestimated. Here we aimed for associations and predictors related to the underestimation of liver fibrosis using TE. Methods: We conducted a prospective cohort study involving adult patients with cirrhosis who underwent TE and had their clinical data analyzed. Patients were categorized into two groups based on liver stiffness measurement (LSM), either ≥10 kPa or <10 kPa, which was considered an underestimation of liver fibrosis. Multivariate analysis and logistic regression models were used to identify predictors and their associated strengths. One-way analysis of variance and multiple Tukey comparisons were used to determine the association with cirrhosis etiology. Results: = 0.03), among others. The main cirrhosis etiologies included nonalcoholic fatty liver disease (30.65%), alcohol-related liver disease (27.02%), and hepatitis C virus (26.21%), with significant liver stiffness mean difference between them. There was a significant association between LSM <10 kPa and cirrhosis etiology (odds ratio 1.147; 95% CI 1.012-1.301) and ALT (odds ratio 1.019; 95% CI 1.005-1.033). Conclusions: Underestimation of liver fibrosis using TE in cirrhosis likely occurs with hepatitis C virus, nonalcoholic fatty liver disease, and low ALT levels.
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 | 0,001 | 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 ».