使用贝叶斯潜在类别模型，对FibroTest和ELF两种方法在门诊2型糖尿病患者中诊断中度至重度纤维化（F2-F4分期）的效果进行直接对比

《Scientific Reports》：Head-to-head comparison of FibroTest and ELF for diagnosing significant fibrosis (F2-F4) in outpatients with type-2 diabetes using Bayesian latent class models

　　

摘要

在患有代谢功能障碍相关性脂肪性肝病的患者中，有两种基于专利算法的血清纤维化检测方法被广泛引用：一种是Nash-FibroTest组合（FibroTest），它可以同时检测纤维化、脂肪变性和炎症活性；另一种是增强型肝脏纤维化（ELF）评分，仅用于评估纤维化程度。目前尚未有针对2型糖尿病患者的这两种检测方法的直接对比研究。我们的目标是在正在进行的QUID-NASH研究中，比较FibroTest和ELF在诊断398名2型糖尿病患者（中位年龄59岁，其中40%为女性）的严重纤维化阶段（F2-F3-F4）方面的效果。标准的参考方法——肝脏活检——在约25%的病例中会出现分类错误，这会导致敏感性、特异性以及接收者操作特征曲线下面积（AUC）在数值和方向上出现偏差，从而影响两种检测方法之间的直接比较结果。为了放宽对“完美金标准”的假设，我们使用了贝叶斯潜在类别模型（Bayesian latent class models），该模型不偏好任何单一检测方法，并且包含了病理组织学信息。结果显示，FibroTest的其后验平均AUC为0.94，ELF的为0.76，两者之间的平均差异为0.18（95%置信区间为0.12–0.25）；在没有预设先验信息的情况下，模型估计活检方法的敏感性为0.69，特异性为0.74。这些结果强调了考虑参考标准不完善性的重要性，并支持将直接对比与潜在类别建模相结合的使用方法。

试验注册信息：ClinicalTrials.gov编号：NCT03634098。