From fructose to the future: liver disease biomarkers and their prognostic value in acute liver failure
Notice bibliographique
Résumé
Acute liver failure (ALF) is an uncommon but severe condition with high morbidity and mortality. Advances in supportive care have improved patient outcomes, but liver transplantation remains the only life-saving intervention in many cases. Unfortunately, healthy donor livers are in short supply. In addition, transplant recipients face several potentially fatal risks including organ rejection, biliary and vascular complications, and infection. It is therefore critical to accurately identify patients who need a new liver while sparing those who do not. This also needs to be done quickly, within the first few days of hospital admission, due to the rapid progression of ALF. Prognostic tools, like the Clichy criteria, the King's College Criteria (KCC), the model for end-stage liver disease (MELD) score, the Acute Liver Failure Study Group Prognostic Index (ALFSGPI), and others have been available for this purpose since at least the 1980s and are commonly used today, but their performance is imperfect, leading to many efforts over the last several decades - and especially in recent years - to identify new noninvasive biomarkers. This review begins with a description of the earliest liver function (e.g. the levulose [fructose] test) and liver injury (e.g. alkaline phosphatase [ALP] and alanine aminotransferase [ALT]) tests and continues through the most recent proposed biomarkers, with critical evaluation of the prognostic utility of each using the KCC and MELD as benchmarks for comparison. Overall, there is as-yet no single biomarker that clearly and consistently performs better than the latter tools, though many may modestly improve the performance of the KCC or MELD when used in combination with them. The search for a better, single biomarker is therefore likely to continue.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».