基于FIB-4和ELF的序列算法的准确性,以在初级保健水平上识别高风险的晚期肝纤维化

科学领域:

• 肝病学 肝病学是一种肝病学.
• 临床诊断 临床诊断 临床诊断
• 生物标志物研究 生物标志物研究

背景情况:

• 非酒精性脂肪性肝病 (NAFLD) 是全球慢性肝病的主要原因.
• 肝纤维化,特别是晚期 (F3-F4),是NAFLD患者发病率和死亡率的关键决定因素.
• 准确且易于使用的纤维化分期方法对于及时的临床干预至关重要.

研究的目的:

• 为了评估结合纤维化4 (FIB-4) 和增强性肝纤维化 (ELF) 评分的序列算法的性能.
• 评估该算法在不同临床环境中识别晚期肝纤维化 (F3-F4) 患者的实用性.
• 确定这个算法的潜力,作为一种初级保健工具,用于风险分层和转诊优先级.

主要方法:

• 一项涉及三个队列的横截面研究:经活检证明的NAFLD (n=140),2型糖尿病 (T2D) 随访 (n=141),慢性肝病 (CLD) 初步研究 (n=138).
• 用物流回归分析来开发和验证使用FIB-4和ELF生物标志物的纤维化诊断模型.
• 对F3-F4纤维化而言,测量了顺序算法的准确性,使用灵敏度,特异性,正预测值和负预测值进行评估.

主要成果:

• 序列FIB-4和ELF算法在活检确认的队列中预测F3-F4纤维化具有很高的准确性 (灵敏度85%,特异性73%,PPV81%,NPV79%).
• 在T2D和CLD初级保健队伍中,大约28%的患者被归类为F3-F4纤维化.
• 在T2D (80%) 和CLD (71%) 队列中的F3-F4分类患者中,很大一部分患者已被诊断患有肝病,并被转诊至二级护理 (44%).

结论:

• 序列FIB-4和ELF算法显示出作为初级保健中肝纤维化分层工具的重要潜力.
• 这种方法可以帮助识别和优先考虑患有高风险晚期纤维化 (F3-F4) 的患者,特别是在具有代谢风险因素的人群中.
• 建议在初级保健中更新转诊协议,以更好地使用这种高效的生物标志物策略来检测高风险的F3-F4纤维化.