Global performance of non-invasive tests in MASLD: Insights from the G-MASLD study
Notice bibliographique
Résumé
BACKGROUND: Metabolic dysfunction-associated steatotic liver disease (MASLD) is highly prevalent worldwide. Performance of non-invasive tests (NITs) in patients with MASLD recruited from different regions of the world was evaluated. METHODS: MASLD patients with liver biopsies and NIT data [fibrosis-4 index (FIB-4), enhanced liver fibrosis (ELF), and liver stiffness measurement (LSM)] were enrolled through the Global NASH Council collaboration (G-MASLD). FibroScan-AST (FAST) and Agile-3+/Agile-4 were calculated. NITs' performance for predicting ≥F2 (significant fibrosis), ≥F3 (advanced fibrosis), or cirrhosis (F4) was determined in patients from different regions. RESULTS: A total of 17,792 MASLD patients from 41 countries were included: 14% had F0, 32% F1, 18% F2, 22% F3, 13% F4 (cirrhosis); 48% NAS ≥5. Advanced fibrosis prediction by NITs was variable across regions for FIB-4 [pooled AUC (95% CI)=0.80 (0.79-0.81)], the lowest in Latin America [0.75 (0.71-0.79)], the highest in MENA [0.84 (0.82-0.87)], and ELF [pooled AUC=0.77 (0.76-0.79)], the lowest in Europe [0.72 (0.69-0.76)], the highest in North America [0.80 (0.78-0.82)]. Prediction of advanced fibrosis by LSM [pooled AUC=0.84 (0.83-0.85)] was similar across regions except North America [0.78 (0.76-0.81)]. In addition, FAST [AUC=0.75 (0.74-0.76)] and Agile-3+ [AUC=0.87 (0.86-0.88)] performed similarly across regions. Similar trends were observed for the NITs predicting significant fibrosis. Finally, the accuracy of Agile-4 for predicting cirrhosis [AUC=0.90 (0.89-0.91)] was the lowest in North America [0.85 (0.83-0.87)], the highest in MENA [0.96 (0.94-0.98)]. CONCLUSIONS: The diagnostic performance of common NITs for fibrosis in MASLD varies across the world. In the large multinational G-MASLD sample, the most accurate NITs were Agile-3+ and Agile-4 composite scores.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».