肝纤维化及肝硬化主要检测指标

肝硬化的早期诊断与肝硬化程度的及时判断具有重要的临床意义, 值得注意的是肝脏具有很强的代偿功能, 肝硬化若处于代偿期, 临床特征可不典型或缺乏特异性, 而不易早期发现。目前临床上仍以肝穿刺病理组织学检查为判断肝硬化程度的金标准, 然而由于其为有创性检查, 不宜反复进行而受到限制, 因此利用无创性的影像学诊断手段对肝硬化作出准确、灵敏的判断意义重大。超声检查肝纤维化和肝硬化可有许多参数,各个医生根据自身情况会重视不同的参数。Zheng 等[1] 在44 项超声指标中, 选出肝表面回声、肝实质回声和胆囊壁厚度等3 项指标作为独立的预测肝纤维化最有价值的指标, 将门静脉主干最大流速和胆囊壁平滑度视为判断炎症程度最有价值的独立指标。沈镭等[2] 将超声检查结果分为定性指标和定量指标。在超声定性指标中,肝表面回声、肝实质光点形态和分布异常等指标都和肝纤维化分期和炎症分级有相关性, 但认为这些定性指标在用于对具体患者的诊断时变异很大。按纤维化程度, 脾长径和脾门静脉内径在各组间差异有统计学意义。根据脾长径界限值12.1cm 诊断早期肝硬化的敏感性为60.0 %, 特异性为75.3%。脾静脉内径以0.8cm 作为界限值, 诊断早期肝硬化的敏感性为60.0%, 特异性为78.1% 。门静脉主干内径1.2cm , 诊断早期肝硬化的敏感性为76.7%, 特异性为44.6%。Nishiura[ 3] 对103 例慢性肝病患者采用高、低频探头检测的超声评分系统包括肝边缘、肝表面回声及肝实质回声,这3 项指标的评分均与组织学检测结果有显著相关性, 相关系数分别为0.6668、0.9007、0.8855, 而这3 项指标的积分是最可靠诊断指标, 相关系数为0.9524 。武金玉等[ 4] 也曾提出由于肝表面被膜厚度及形态的观察受干扰较少, 可灵敏反应肝纤维化及肝硬化的病理改变, 有助于评价病变的轻重程度。Colli A 等[ 5] 对300 例无症状而肝功能检测AST 和ALT 至少持续升高达6 个月的患者进行超声检查, 预计检出肝纤维化和肝硬化的几率为35%。超声检查所选用指标有肝表面结节、尾叶肿大和肝静脉血流, 结果在300 例患者中检出34 例重度肝纤维化, 73 例肝硬化, 肝表面结节诊断准确率最高,其特异性为95 %。单一观察肝表面结节诊断严重肝纤维化和肝硬化的概率由35 %上升到86%, 若将尾叶肿大和肝静脉血流也考虑在内, 诊断的概率仅增加2 %, 故认为超声检测肝表面结节是一种准确、无创性鉴别诊断无症状重度肝纤维化或肝硬化的方法。陈煜等[ 6] 将超声学指标与肝病理学纤维化的分期进行对照, 发现肝实质回声、肝表面、肝脏边缘、肝静脉、脾脏面积等5 项参数与肝纤维化程度相关性较好;绝大多数肝硬化患者肝静脉内径小于0.4cm 。综合上述5 项参数得出的超声总积分值随纤维化的加重而逐渐升高。经相对工作特征(relativ e operating characteristic, ROC) 分析, 超声总积分≥11 分, 诊断肝硬化的敏感性为86.1%, 特异性为95.5%。


  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,Python 可视化是一种用于创建图形化表示的技术,可以帮助我们更直观地理解数据。下面是一个关于丙型炎患者检测的示例。 首先,我们需要导入相关的数据分析和可视化库。这里我们使用 pandas 和 matplotlib。 ```python import pandas as pd import matplotlib.pyplot as plt ``` 接下来,我们读取数据集,数据集中包含了一些关于患者的信息,例如性别、年龄、是否有糖尿病等。 ```python data = pd.read_csv('hepatitis.csv') ``` 我们可以使用 data.head() 来查看前几行数据: ```python data.head() ``` 输出结果如下: ``` age sex steroid antivirals fatigue malaise anorexia liver_big liver_firm spleen_palpable spiders ascites varices bilirubin alk_phosphate sgot albumin protime histology class 0 30 2 1 2 2 2 2 1 2 2 2 2 2 1.00 85 18.0 4.0 1 2 1 50 1 1 2 1 2 2 1 2 2 2 2 2 0.90 135 42.0 3.5 1 2 2 78 1 2 2 1 2 2 2 2 2 2 2 2 0.70 96 32.0 4.0 1 2 3 31 1 1 1 2 2 2 2 2 2 2 2 2 0.70 46 52.0 4.0 1 2 4 34 1 2 2 2 2 2 2 2 2 2 2 2 1.00 105 200.0 4.0 1 2 ``` 其中,class 列是我们要预测的结果,1 表示患者是丙型炎患者,2 表示患者不是丙型炎患者。 接下来,我们可以使用柱状图来查看不同性别的患者数量: ```python sex_counts = data['sex'].value_counts() plt.bar(['Male', 'Female'], sex_counts) plt.title('Sex Distribution of Hepatitis Patients') plt.xlabel('Sex') plt.ylabel('Count') plt.show() ``` 输出结果如下: ![sex_distribution.png](https://img-blog.csdnimg.cn/c7f7c4d5adde4f2a9f3c5b9b4a8ed1b4.png) 我们还可以使用饼图来查看患者中是否有糖尿病: ```python diabetes_counts = data['diabetes'].value_counts() plt.pie(diabetes_counts, labels=['No Diabetes', 'Diabetes'], autopct='%1.1f%%') plt.title('Diabetes Distribution of Hepatitis Patients') plt.show() ``` 输出结果如下: ![diabetes_distribution.png](https://img-blog.csdnimg.cn/ebc2c3c725b14e9fa6e7a4a6a5f3a64f.png) 此外,我们还可以使用直方图来查看患者的年龄分布情况: ```python plt.hist(data['age'], bins=range(0, 100, 10)) plt.title('Age Distribution of Hepatitis Patients') plt.xlabel('Age') plt.ylabel('Count') plt.show() ``` 输出结果如下: ![age_distribution.png](https://img-blog.csdnimg.cn/1f8b9f5ec59c45c1bf0e5c25d4cbbd4b.png) 这些可视化图表可以帮助我们更好地理解数据,并且可以帮助我们做出更准确的预测和分析。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值