PERFORMANCE OF NON-INVASIVE TESTS (NITS) AND PREDICTORS OF OUTCOMES IN PATIENTS WITH METABOLIC DYSFUNCTION-ASSOCIATED STEATOTIC LIVER DISEASE (MASLD) FROM LATIN AMERICA AND NORTH AMERICA
Notice bibliographique
Résumé
MASLD is highly prevalent worldwide. We evaluated performance of NITs and predictors of outcomes in patients with MASLD from Latin America (LA) as compared to North America (NA). The Global-MASLD project enrolled MASLD patients with liver biopsies and NITs (FIB-4, liver stiffness measurement (LSM) by transient elastography). NITs’ performance to predict advanced fibrosis (AF=F3-F4) and outcomes was assessed. A total of 3,904 MASLD patients were included [N=892 from 5 LA countries (Argentina, Brazil, Chile, Cuba, Mexico) and N=3012 from NA (USA/Canada). MASLD patients from LA were older, had lower BMI (obesity 64% vs. 85%), more lean MASLD (5.6% vs. 2.7%), more T2D (49% vs. 38%) (p<0.001) but similar rates of AF (p=0.56). Clinico-demographic predictors of AF included older age and T2D (p<0.05). The NIT accuracy was lower in LA-MASLD than NA-MASLD: AUC (95% CI) of FIB-4 0.75 (0.71-0.79) vs. 0.81 (0.79-0.83), LSM 0.73 (0.67-0.80) vs. 0.78 (0.75-0.81), Agile-3+ 0.76 (0.70-0.82) for both LA and NA. Sensitivity of 80% (low-risk, screening cutoff) was achieved with FIB-4 ≥1.01 in LA vs. FIB-4 ≥1.17 in NA; specificity of 95% (high-risk, diagnostic cutoff) with FIB-4 ≥2.35 vs. FIB-4 ≥2.40. In adjusted (age, sex, T2D) proportional hazards models, fibrosis severity by histology or NITs was associated with adverse outcomes (death, decompensation, HCC) in both groups (adjusted hazard ratios (aHR) >1.0) (Figure). MASLD patients from LA have more T2D but less obesity than NA. Common NITs have lower accuracy in LA-MASLD. Histologic and NIT stage of fibrosis are independent predictors of adverse outcomes in both groups.
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) | 0,001 | 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 ».