Lupus nefrīta suboptimālās atbildes prognozēšanas rīka izstrāde, izmantojot nieru histopatoloģiskos un klīniskos laboratorijas mainīgos diagnozes laikā

Lindsija N Helgeta,^1,2 Deivids Dž. Dilons,¹ Betānija Vilka,³Laura P Parks,¹ Sally E Self,⁴Evelīna T Brunere,⁴ Evans E Oatess,⁵Džims K. Outs

KOPSAVILKUMS

MērķisLupus nefrīts (LN) ir animūnskompleksa mediēta glomerulāra un tubulointersticiāla slimība pacientiem ar SLE. Rezultātu prognozēšana LN diagnozes sākumā var palīdzēt pieņemt lēmumus par uzraudzības un terapijas intensitāti, lai ārstēšana būtu veiksmīga. Pašlaik nepastāv mašīnmācīšanās rezultātu modelis. Vairākos rezultātu modelēšanas darbos ir izmantota viendimensiju vai lineāra modelēšana, taču tos ierobežoja slimības neviendabība. Mēs izvirzījām hipotēzi, ka nieru patoloģijas rezultātu un parasto klīnisko laboratorijas datu kombināciju varētu izmantot, lai izstrādātu un savstarpēji apstiprinātu klīniski nozīmīgu mašīnmācīšanās agrīnu lēmumu atbalsta rīku, kas prognozē LN rezultātus aptuveni pēc 1 gada.

MetodesLai risinātu šo hipotēzi, pacienti ar LN no iespējamā garengriezuma reģistra Dienvidkarolīnas Medicīnas universitātē, kas uzņemti no 2003. līdz 2017. gadam, tika identificēti, ja viņiem bija nieru biopsijas saskaņā ar Starptautiskās nefroloģijas biedrības/nieru patoloģijas biedrības patoloģisko klasifikāciju. Tika reģistrētas klīniskās laboratorijas vērtības diagnozes noteikšanas laikā un iznākuma mainīgie lielumi aptuveni pēc 1 gada. Mašīnmācīšanās modeļi tika izstrādāti un savstarpēji apstiprināti, lai prognozētu neoptimālas atbildes.

RezultātiFive machine learning models predicted suboptimal response status in 10 times cross-validation with receiver operating characteristics area under the curve values >0.78. Visprognozējamākie mainīgie bija intersticiāls iekaisums, intersticiāla fibroze, aktivitātes rādītājs un hroniskuma rādītājs no nieru patoloģijas un urīna proteīna un kreatinīna attiecības, balto asins šūnu skaits un hemoglobīns no klīniskajām laboratorijām. Tika izveidots tīmekļa rīks, lai ārsti varētu ievadīt šos sākotnējos klīniskās laboratorijas un histopatoloģijas mainīgos lielumus, lai iegūtu suboptimālās atbildes reakcijas varbūtības rādītāju.

SecinājumsŅemot vērā slimības prezentācijas neviendabīgumu LN, ir svarīgi, lai riska prognozēšanas modeļos būtu iekļauti vairāki datu elementi. Šajā ziņojumā pirmo reizi ir sniegts koncepcijas klīniskās pārbaudes rīks, kas izmanto piecus visprognozējošākos modeļus un vienkāršo to izpratni, izmantojot tīmekļa lietojumprogrammu.

Kontaktpersona:joanna.jia@wecistanche.com

Cistanche herbadeserticola novēršnieresslimība, noklikšķiniet šeit, lai iegūtu paraugu

IEVADS

Lupus nefrīts (LN) ir imūnkompleksa izraisīta glomerulāra un tubulointersticiāla slimība pacientiem ar SLE. Apmēram 50 procenti pacientu ar SLE attīstāsnieresar komplikācijām, tostarp LN, un līdz pat 48 procentiem pacientu ar difūzu proliferatīvu slimību 5 gadu laikā pēc diagnozes noteikšanas afroamerikāņiem var progresēt līdz nieru slimībai beigu stadijā.1 Amerikas Reimatoloģijas koledža (ACR) pašlaik iesaka mainīt terapiju. kad pacienti ar LN tiek uzskatīti par nereaģējošiem pēc 6 mēnešu indukcijas terapijas.2 Klīnikas izmanto dažādus seruma marķierus, tostarp C3, C4, anti-divpavedienu DNS (anti-dsDNS) un kreatinīnu, kā arī urīna proteīnu. -kreatinīna attiecība un nogulsnes, lai uzraudzītu reakciju uz terapiju, taču atbilde uz terapiju nav definēta vadlīnijās.2 Lai gan šajā 6-mēneša indukcijas terapijas izmēģinājumā pacientiem, kuri nereaģē, var attīstīties papildu neatgriezeniski nieru darbības traucējumi. bojājumu. Lēmumu atbalsta rīks, kura pamatā ir mašīnmācīšanās modeļi, varētu būt noderīgs, lai noteiktu sākotnējos raksturlielumus pacientiem, kuriem ir mazāka iespēja reaģēt uz indukcijas terapiju. Pašlaik nav izstrādāts klīniski noderīgs mašīnmācīšanās modelis ar 1-gadu rezultātiem. Vienfaktora vai lineārā modelēšana nav labi paredzējusi šīs neviendabīgās slimības rezultātus.

Mēs izvirzījām hipotēzi, ka nieru patoloģijas rezultātu un parasto klīnisko laboratorijas datu kombināciju var izmantot, lai izstrādātu un savstarpēji apstiprinātu agrīnu LN lēmumu atbalsta rīku, kas paredz suboptimālu atbildes reakciju aptuveni 1 gadā LN.

METODES

Pacientu populācija

Pacientu dati tika iegūti no Dienvidkarolīnas Medicīnas universitātes (MUSC) Klīnisko pētījumu centra (CCCR) perspektīvās gareniskās kohortas. CCCR datubāzi sponsorē NIH saskaņā ar P30 mehānismu, un tā ir pārsvarā afroamerikāņu pacientu ar SLE garengriezuma reģistrs un biorepozitorijs. Atlasītos pacientus, kuri atbilda ACR vai SLE International Cooperating Clinics SLE kritērijiem,3 4 novērtēja MUSC reimatoloģijas speciālists, un viņi piekrita iekļauties kohortā. Perspektīvā garengriezuma kohortas datubāze tika izveidota 2003. gadā. Slimību kritēriji un nieru biopsijas dati lielākoties tika ievadīti perspektīvi, bet daži tika pievienoti retrospektīvi, pārskatot diagrammu.

cistanchevar ārstētakūta nieru mazspēja

Iekļaušanas kritēriji

Pacienti tika atlasīti arī tad, ja viņi bija pārskatījuši Starptautiskās Nefroloģijas biedrības/Nieru patoloģijas biedrības (ISN/RPS), aktīvās klases I, II, III, IV vai V nefrītu pēc histopatoloģijas vai nu sākotnējā LN uzrādīšanas brīdī, vai arī ar LN pasliktināšanos, atkārtota biopsija no 2003. līdz 2017. gadam.5 Pētījumā tika iekļauti tikai pacienti, kuriem bija pieejami pilnīgi laboratoriskie dati nieru biopsijas laikā un aptuveni 12 mēnešus (7–24 mēnešus) pēc nieru biopsijas.

Laboratorijas analīze

Laboratoriskās vērtības tika iegūtas kā daļa no standarta pacientu aprūpes. 24-stundu urīna proteīna, olbaltumvielu un kreatinīna attiecības, seruma kreatinīna, albumīna, hemoglobīna, balto asins šūnu skaita, trombocītu skaita, anti-dsDNS, C3 un C4 testus veica Klīniskās laboratorijas uzlabošanas grozījumu sertificētas centrālās laboratorijas. MUSC, LabCorp vai ārējās slimnīcas laboratorijās. Aprēķinātais glomerulārās filtrācijas ātrums (eGFR) tika noteikts, izmantojotHronisksNieresSlimībaEpidemioloģijas sadarbības (CKD-EPI) vienādojums.6

Patoloģijas analīze

Nieru biopsijas nolasīja viens no diviem nieru patologiem MUSC (SES vai ETB), izmantojot 2018 pārskatīto ISN/RPS aktivitāti (0–24) un hroniskumu (0–12). ) indeksa elementi (katrs ieguva 0–3 par 0 procentiem ,<25%, 25%–50%="" and="">50 procenti iesaistīšanās).5 Aktivitātes indeksā ir iekļauta endokapilāra hipercelularitāte, karioreksija, fibrinoīda nekroze, hialīna nogulsnes, šūnu vai fibrošūnu pusmēneši un intersticiāls iekaisums. Rezultāti tika dubultoti par pusmēness un nekrozi. Hroniskuma indeksā bija iekļauts kopējais glomerulosklerozes rādītājs, šķiedru pusmēneši, tubulārā atrofija un intersticiāla fibroze.

Datu apstrāde

CCCR datu bāzes dati tika tieši iekļauti REDCap datubāzē, izmantojot datu pārsūtīšanas pakalpojumu7, lai novērstu transkripcijas kļūdas. Dažas laboratorijas vērtības tika iegūtas, pārskatot elektronisko medicīnisko ierakstu un skenētos laboratorijas ziņojumus, un tika manuāli ievadītas datu bāzē. Lai nodrošinātu transkripcijas kļūdu, tika veikta piecu procentu dubultā abstrahēto datu ievade<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

Statistiskā analīze

Iznākuma mainīgais lielums bija nespēja pilnībā reaģēt uz terapiju aptuveni pēc 1 gada. Šis laika punkts tika izvēlēts, jo atbildes reakcijas mainīgie lielumi pēc 1 gada prognozē ilgtermiņa atbildes gadus MAINTAIN un Euro-Lupus nefrīta pētījumos.8 Atbilde tika noteikta, mainot ACR atbildes kritērijus.9 Šo kritēriju izmaiņas. iepriekš aprakstīja Wofsy et al. 10 Īsumā šī modificētā pilnīgā reakcija ietver urīna proteīna un kreatinīna attiecības sasniegšanu.<0.5 at="" approximately="" 1="" year="" and="" achieving="" an="" egfr="" of="" 90="" or="" an="" improvement="" of="" at="" least="" 15%="" from="" baseline.="" the="" suboptimal="" response="" outcome="" was="" defined="" by="" the="" lack="" of="" achieving="" complete="" response="" as="" defined="" above.="" thus,="" the="" outcome="" includes="" non-responders="" and="" partial="" responders.="" variables="" collected="" in="" the="" data="" included="" patient="" sex,="" age="" at="" the="" time="" of="" biopsy,="" proliferative="" disease="" (isn/rps="" classes="" iii="" or="" iv,="" y/n),="" mesangial="" disease="" (isn/="" rps="" class="" i="" or="" ii,="" y/n),="" membranous="" disease="" (isn/rps="" class="" v,="" y/n),="" activity="" score="" (0–3),="" chronicity="" score="" (0–3),="" interstitial="" fibrosis="" (0–3),="" interstitial="" inflammation="" (0–3),="" number="" of="" glomeruli="" evaluated,="" crescents="" (number),="" crescent-toglomeruli="" ratio="" (0–3×2),="" necrosis="" (0–3×2),="" urine="" proteinto-creatinine="" ratio,="" egfr="" by="" the="" ckd-epi="" formula="" (egfr,="" ml/min/1.73="" m²),6="" serum="" creatinine="" (mg/dl),="" dsdna="" (iu),="" c3="" (mg/dl),="" c4="" (mg/dl),="" the="" white="" blood="" cells="" count="" (k/µl),="" platelet="" count="" (k/µl),="" hemoglobin="" (g/dl),="" serum="" albumin="" (mg/dl),="" prednisone="" (y/n),="" hydroxychloroquine="" (y/n),="" mycophenolate="" mofetil/mycophenolic="" acid="" (y/n),="" cyclophosphamide="" (y/n),="" rituximab="" (y/n),="" azathioprine="" (y/n)="" and="" number="" of="" medications.="" since="" the="" data="" were="" retrospective="" and="" not="" prospectively="" randomized,="" immunosuppressants="" used="" for="" induction="" are="" subject="" to="" bias="" by="" indication="" and="" were="" not="" considered="" predictive.="" they="" were="" excluded="" from="" consideration="" during="" model="" development="" for="" clinical="" use,="" as="" their="" presence="" might="" imply="" that="" the="" choice="" of="" induction="" therapy="" based="" on="" the="" modeling="" might="" affect="" the="" outcomes.="" descriptive="" statistics="" were="" calculated="" for="" all="" participant="" characteristics="" by="" treatment="" response="" category.="" univariate="" associations="" between="" all="" baseline="" characteristics="" and="" treatment="" response="" were="" evaluated="" using="" a="" series="" of="" logistic="" regression="">

Šī pētījuma mērķis bija identificēt niecīgu prognozētāju apakškopu no pacientu demogrāfiskajiem datiem un sākotnējiem laboratorijas un biopsijas datiem, kas sniedza labus prognozēšanas veiktspējas raksturlielumus vairāku mainīgo prognozēšanas modeļu kopumam ar suboptimālu reakciju aptuveni pēc 1 gada. Šajā pētījumā aplūkotie daudzfaktoru klasifikācijas modeļi ietvēra loģistisko regresiju (LR), klasifikācijas un regresijas kokus (CART), nejaušo mežu (RF), atbalsta vektoru mašīnas ar lineāriem, polinomiem un Gausa kodoliem (attiecīgi SVML, SVMP un SVMR), naivie Bayes (NB) un mākslīgie neironu tīkli (ANN). RF modeļi tika piemēroti, izmantojot paketi "randomForest"; LR modeļi tika piemēroti, izmantojot "statistikas" pakotnes; SVM un NB modeļi tika piemēroti, izmantojot pakotni “e1071”; ANN modeļi tika piemēroti, izmantojot R pieejamo tīklu.{2}} Noskaņošanas parametri dažādiem aplūkotajiem modeļiem tika atlasīti pirms modeļu izstrādes. Tika apsvērta sākotnējā izsmeļošā visu līdz 20 mainīgo kombināciju meklēšana. Tomēr šīs meklēšanas rezultāti atklāja, ka vislabākā vidējā veiktspēja tika sasniegta, ja modeļos bija iekļauti astoņi mainīgie (tiešsaistes 2. papildu attēls). Tādējādi mainīgā atlase tika veikta, pilnībā pārbaudot visas astoņu vai mazāk prognozētāju apakškopas. Šis sliekšņa skaitlis tika ņemts vērā visām modelēšanas pieejām, lai padarītu modeļus noderīgākus aizņemtā klīniskajā vidē. Konkrētāk, katra modeļa prognozētāju apakškopas prognozēšanas veiktspēja tika veikta, izmantojot 10-kārtīgas krusteniskās validācijas (CV) pieeju. Desmitkārtīgs CV sadala datus 10 apakškopās. Modeļi tiek apmācīti, izmantojot 9/10 datu, un pārbaudīti ar atlikušo 1/10 datu, un tas tiek atkārtots katrai apakškopai. Savstarpēji apstiprinātais laukums zem līknes (cvAUC) ir vidējais AUC, kas aprēķināts katrai 1/10 datu apakškopai, kas tika izslēgta modeļa izstrādes laikā, un ir pierādīts, ka tas ir noturīgāks nekā vienas apmācības testa kopas pieejas izmantošana. 13 Mērķis bija identificēt nelielu prognozētāju apakškopu ar labu prognozēšanas veiktspēju visos modeļos.14 Prognozēšanas veiktspēja tika mērīta ar 10-kārtīgu cvAUC, un kā apakškopa tika izvēlēta labākā astoņu mainīgo apakškopa, kuras rezultātā tika iegūts augstākais vidējais rādītājs. cvAUC visos modeļos. Jutīgums, specifiskums, pozitīva paredzamā vērtība un negatīvās paredzamās vērtības tika noteiktas atlasītajiem sliekšņiem katra modeļa paredzamajai nereaģēšanas varbūtībai. Visas analīzes tika veiktas R V.4.0.2. Pamatojoties uz atlasītajiem modeļiem, tika izveidots R-Shiny tīmekļa rīks.

REZULTĀTI

Reģistrā 149 pacientiem bija pieejama nieru biopsijas informācija laika posmā no 2003. līdz 2017. gadam. No tiem 83 pacientiem ar LN bija sākotnējie un aptuveni 1-gada novērošanas dati par nieru atbildes reakciju no 7,5 līdz 24 mēnešiem (tiešsaistes papildu 1. attēls). . Trīs ar pēcpārbaudi<7 months="" and="" four="" with="" follow-up="">2 gadi tika izslēgti. Apmēram puse dalībnieku pēc 1 gada tika klasificēti kā neoptimāli atbildīgie. Dalībnieku raksturojums pēc ārstēšanas atbildes reakcijas ir norādīts 1. tabulā.

The subset of eight or fewer predictors yielding the best prediction performance across the different models included activity, chronicity, interstitial fibrosis and interstitial inflammation scores and baseline laboratory values for urine protein-to-creatinine ratio, white blood cell count, and hemoglobin. The univariate cvAUCs for these seven variables are shown in table 2. The cvAUCs for the best models selected for each modeling approach range from 0.62 to 0.80 with the random forest model yielding the best cvAUC. Five of the eight models considered had a cvAUC >0.75 un iekļāva LR, RF, SVML, SVMR un ANN modeļus. 3. tabulā parādīti cvAUC un prognozētāju apakškopa pieciem modeļiem ar augstu cvAUC. 4. tabulā parādīta katra modeļa jutība un specifika, un tā ir balstīta uz vidējo prognozi visos piecos modeļos pie trim sliekšņiem katrā. Intersticiāls iekaisums bija konsekventākais prognozētājs, un tas tika iekļauts visos piecos modeļos. Aktivitātes rādītājs un intersticiālā fibroze arī bija salīdzinoši konsekventi un tika iekļauti visos, izņemot RF modeli. Uztvērēja darbības raksturlielumu (ROC) līknes, kuru pamatā ir 10-reizes CV prognoze no katra no pieciem atlasītajiem modeļiem, ir parādītas 1. attēlā. 2. attēlā ir attēlota visu modeļu vidējā veiktspēja (jutība un specifiskums). uz izvēlētā prognozēšanas sliekšņa. CART, SVMP un NB modeļiem visiem bija cvAUC<0.7 and="" were="" excluded="" from="" further="">

Izmantojot septiņus konsekventākos mainīgos, tika izveidota tīmekļa lietojumprogramma ar R shiny, kas kalpos kā klīnisks rīks, un to var atrast šeit: (https://histologyapp. shinyapps.io/LN_histology{{2 }}prognozēšanas_rīks/). Lietojumprogrammā pēc noklusējuma tiek parādīts pacienta datu piemērs. Lai novērtētu jaunu pacientu, lietotāji var ievadīt histoloģijas un klīniskās laboratorijas vērtības, kas iegūtas biopsijas laikā. Iegūtajā diagrammā kā krāsaini punkti ir attēlota katra modeļa paredzamā nereaģēšanas varbūtība pie 0.5 sliekšņa. Katra punkta lielums atspoguļo ROC AUC validācijas komplektā. Pārskata lapas lodziņu diagrammas attēlo suboptimālās atbildes reakcijas varbūtības rādītāju mediānu (līnija), IQR (lodziņš) un 25. un 75. procentiles ±1,5 reizes IQR (ūsas) atsevišķiem pacientiem, kuri reaģē un nereaģē grupās. validācijas komplektos (attēloti arī 2.A attēlā). Katrs krāsainais punkts ir viena pacienta modeļa prognoze, kas aplūkota validācijas komplekta modeļa veiktspējas kontekstā. Melnais “X” apzīmē visu piecu modeļu vidējo paredzamo neatbildēšanas varbūtību.

DISKUSIJA

Mūsu pētījumā tika konstatēts, ka mašīnmācību var izmantot, lai izstrādātu savstarpēji apstiprinātus modeļus, kas labi prognozē suboptimālu atbildes reakciju uz terapiju pacientiem ar LN, galvenokārt Āfrikas izcelsmes. Šie modeļi tika izstrādāti, izmantojot diagnozes laikā viegli pieejamus klīniskos laboratorijas un histopatoloģiskos elementus. Atsevišķu histopatoloģisko pazīmju lietderība, lai prognozētu difūzā proliferatīvā lupus nefrīta rezultātus, ir labi aprakstīta. Iepriekšējais darbs ir parādījis saliktā aktivitātes indeksa punktu paredzamo stiprumu, progresējot līdz nieru mazspējai, ar individuālām histoloģiskām aktivitātes iezīmēm, piemēram, šūnu pusmēnešiem un fibrinoīdu nekrozi, kas liecina par pozitīvu saistību ar nieru mazspēju.15 Hroniskuma indeksa kombinācija, kā arī atsevišķas pazīmes, piemēram, Tā kā intersticiāla fibroze, glomerulārā skleroze un šķiedru pusmēness arī bija paredzamas, un kanāliņu atrofiskām izmaiņām tika noteikta īpaši augsta paredzamā vērtība attiecībā uz progresēšanu līdz nieru mazspējai.15 Klīnisko datu elementu, jo īpaši seruma kreatinīna, hematokrīta un rases, pievienošana. histoloģiskās pazīmes uzlaboja prognozēšanu turpmākajā darbā, savukārt citi pētījumi parādīja, ka atsevišķu aktivitātes vai hroniskuma indeksu izmantošana bija nepietiekama atbildes prognozēšanai. 16–19 Jaunākās mašīnmācīšanās pieejas ir izmantojušas daudzlīniju regresiju un izlases veida meža modelēšanu, lai prognozētu patoloģisko klasifikāciju, aktivitāti un hroniskumu no klīniskās laboratorijas vērtībām, un tās ir parādījušas daudzsološas.20 Šis pētījums paplašina šo pieeju, izmantojot patoloģiskos mainīgos, lai prognozētu iznākumu aptuveni 1 gads.

pūķa garšaugu cistanche nierēm

As demonstrated in previous studies, the addition of novel biomarkers obtained at the time of diagnosis can be used to develop a robust model to predict the 1-year outcome.21 However, no measures of these novel biomarkers are in clinical use. In this study, readily available histological and clinical laboratory values were used to predict LN outcomes with a ROC AUC of >0.75 piecos modeļos. Šis pētījums ir unikāls ar to, ka mašīnmācīšanās modeļos tika izmantoti individuālās aktivitātes un hroniskuma punktu elementi. To apstiprina iepriekšējā literatūra, kurā aprakstīta to izmantošana atsevišķi.15

Šīs prognozēšanas modelēšanas rezultāti jāinterpretē atbilstošā klīniskajā kontekstā. Augsta intersticiāla fibroze ar zemu aktivitātes rādītāju, iespējams, ir indikatīvs hronisks ievainojums, kura gadījumā imūnsupresiju izmantotu, lai novērstu turpmāku pasliktināšanos, nevis atjaunotu nieru darbību. Tomēr tiem, kuriem ir augsts aktivitātes rādītājs, var izmantot kombinētas imūnsupresīvas terapijas vai uzraudzīt, lai ātrāk pievienotu otrās līnijas terapiju, lai uzlabotu vai saglabātu nieru darbību. Ņemot vērā, ka šie dati bija retrospektīvi, mēs nezinām, vai prognožu izmantošana, lai vadītu lēmumus par indukcijas terapiju, mainīs rezultātus. Kā tas bieži notiek, ārstējot pacientus ar autoimūnām slimībām, klīnicistam nebūtu pareizi pieņemt lēmumus par terapijas izvēli, pamatojoties uz šo prognozes punktu, neņemot vērā klīnisko kontekstu. Tomēr nereaģēšanas prognozi varētu izmantot, lai mainītu atbildes un aprūpes koordinācijas uzraudzības biežumu, lai nodrošinātu zāļu lietošanas ievērošanu.

To varētu arī apsvērt, pieņemot lēmumus pievienot vai mainīt terapiju, jo nav atbildes reakcijas agrākos laika punktos, nekā ieteiktie 6 mēneši saskaņā ar ACR vadlīnijām.

Šim pētījumam ir vairāki ierobežojumi. Rezultātu modelēšanai izmantotā informācija galvenokārt tika iegūta no Āfrikas izcelsmes pacientiem. Tāpēc izmantošana klīniskajā praksē var aprobežoties ar šo demogrāfisko stāvokli. Lai gan garengriezuma dati šajā pētījumā tika savākti perspektīvi, analīze bija retrospektīva. Lai gan trombotiskā mikroangiopātija ir saistīta ar iepriekšējo pētījumu rezultātiem22, biopsiju skaits ar šo atradi (pieci) ierobežoja tā nozīmi modeļos. Šeit sniegtā lēmuma pieņemšanas palīdzība nav izmantota perspektīvi, lai noteiktu, vai ārstēšanas stratēģijas maiņa, pamatojoties uz prognozēšanas rādītājiem, uzlabo rezultātus. Tas nav novērtēts, prognozējot ilgtermiņa rezultātus, un tāpēc to nevajadzētu izmantot, lai prognozētu > 1-gada rezultātus. Tomēr 1-gadu rezultāti ir saistīti ar ilgtermiņa rezultātiem MAINTAIN un Euro-Lupus Nephritis pētījumos.8 Šajā pētījumā iekļauto pacientu atlase var novirzīt rezultātus. Piemēram, tiem, kuriem ir ātrāk progresējoša nieru slimība, ir lielāka iespēja saņemt biopsiju. Tie, kuriem medicīniskajā dokumentācijā ir pieejama sākotnējā un aptuveni 1-gadu novērošana, var būt noskaņoti uz labvēlīgākiem rezultātiem. Mēs nevarējām stingri izpētīt medikamentu ietekmi uz rezultātiem, jo ​​lielākā daļa pacientu saņēma mikofenolātu vai mikofenolskābi.

Ņemot vērā slimības prezentācijas neviendabīgumu LN, ir svarīgi, lai riska prognozēšanas modeļos būtu iekļauti vairāki datu elementi. Šajā ziņojumā pirmo reizi ir sniegts klīnisks rīks, kas izmanto piecus visprognozējošākos modeļus un vienkāršo to izpratni, izmantojot tīmekļa lietojumprogrammu. Izmantojot šeit piedāvātos prognozēšanas modeļus, mēs piedāvājam rīka koncepcijas pierādījumu, kas var informēt gan par uzraudzības biežumu, gan atvieglot diskusijas ar pacientiem par terapijas izvēli. Stingrāka uzraudzība vai aprūpes koordinācijas izvietošana tiem, kuriem tiek prognozēta neoptimāla reakcija uz terapiju, var uzlabot rezultātus, taču tas ir jāpārbauda perspektīvi.

akteozīdsiekšācistancheir laba ietekme uznieres

ATSAUCES

1 Dooley MA, Hogan S, Jennette C u.c. Ciklofosfamīda terapija lupus nefrīta ārstēšanai: slikta nieru izdzīvošana melnajiem amerikāņiem. glomerulāro slimību sadarbības tīkls. Kidney Int 1997;51:1188–95.

2 Hahn BH, McMahon MA, Wilkinson A, et al. Amerikas Reimatoloģijas koledžas vadlīnijas lupus nefrīta skrīningam, ārstēšanai un pārvaldībai. Arthritis Care Res 2012;64:797–808.

3 Hochberg MC. Atjauninot Amerikas Reimatoloģijas koledžu, tika pārskatīti kritēriji sistēmiskās sarkanās vilkēdes klasifikācijai. Arthritis Rheum 1997;40:1725.

4 Isenberg D, Wallace DJ, Nived O. Sistēmiskās lupus starptautiskās sadarbības klīniku klasifikācijas kritēriju atvasināšana un validācija sistēmiskai sarkanajai vilkēdei. Artrīts Rheum 2012;64.

5 Bajema IM, Wilhelmus S, Alpers CE, et al. Starptautiskās nefroloģijas biedrības/nieru patoloģijas biedrības lupus nefrīta klasifikācijas pārskatīšana: definīciju precizēšana un modificētie nacionālie veselības aktivitātes un hroniskuma indeksu institūti. Kidney Int 2018;93:789–96.

6 Pei X, Yang W, Wang S u.c. Matemātisko algoritmu izmantošana glomerulārās filtrācijas ātruma novērtēšanas vienādojumu modificēšanai. PLoS One 2013;8:e57852.

7 Harris PA, Taylor R, Thielke R u.c. Pētniecības elektroniskā datu tveršana (REDCap)--uz metadatiem balstīta metodoloģija un darbplūsmas process translatīvās pētniecības informātikas atbalsta nodrošināšanai. J Biomed Inform 2009;42:377–81.

8 Ugolini-Lopes MR, Seguro LPC, Castro MXF u.c. Agrīna proteīnūrijas reakcija: derīgs reālās dzīves situācijas prognozētājs ilgtermiņa lupus nieru iznākumam etniski daudzveidīgā grupā ar smagu biopsiju pierādītu nefrītu. Lupus Sci Med 2017; 4:e000213.

9 Amerikas Reimatoloģijas koledžas Nieru slimību apakškomiteja Sistēmiskās sarkanās vilkēdes reakcijas kritēriju komitejas ad hoc komiteja. Amerikas Reimatoloģijas koledžas atbildes kritēriji proliferatīvai un membrānai nieru slimībai sistēmiskās sarkanās vilkēdes klīniskajos pētījumos. Arthritis Rheum 2006;54:421–32. 2021. gada 27. decembrī, pie viesa. Aizsargāts ar autortiesībām. 2021. gada 24. augustā. Lejupielādēts no Helget LN, et al. Lupus Science & Medicine 2021; 8:e000489. doi:10.1136/lupus-2021-000489 8 Lupus Science & Medicine

10 Wofsy D, Hillson JL, Diamond B. Alternatīvu primāro iznākuma pasākumu salīdzinājums izmantošanai lupus nefrīta klīniskajos pētījumos. Arthritis Rheum 2013;65:1586–91.

11 Team RC. Valoda un vide statistikas skaitļošanai, 2020. gads. Pieejams:

12 Liaw A, Wiener M. Klasifikācija un regresija pēc nejaušības principa. R Ziņas 2002;2:18–22.

13 Hastie T, Tibshirani R, Friedman JH. Statistikas mācīšanās elementi: datu ieguve, secinājumi un prognozēšana: ar 200 pilnkrāsu ilustrācijām. Ņujorka: Springer, 2001.

14 LeDell E, Petersen M, van der Laan M. Aprēķinu ziņā efektīvi ticamības intervāli krusteniski apstiprinātajam apgabalam saskaņā ar ROC līknes aplēsēm. Electron J Stat 2015; 9:1583–607.

15 Austin HA, Muenz LR, Joyce KM u.c. Difūzs proliferatīvs lupus nefrīts: specifisku patoloģisku pazīmju noteikšana, kas ietekmē nieru iznākumu. Kidney Int 1984;25:689–95.

16 Austin HA, Boumpas DT, Vaughan EM, et al. Lupus nefrīta augsta riska pazīmes: rases un klīnisko un histoloģisko faktoru nozīme 166 pacientiem. Nephrol Dial Transplant 1995;10:1620–8.

17 Austin HA, Boumpas DT, Vaughan EM u.c. Nieru iznākumu prognozēšana smaga lupus nefrīta gadījumā: klīnisko un histoloģisko datu ieguldījums. Kidney Int 1994;45:544–50.

18 Schwartz MM, Bernstein J, Hill GS u.c. Nieru patoloģijas paredzamā vērtība difūzā proliferatīvā vilkēdes glomerulonefrīta gadījumā. lupus nephritis Collaborative Study Group. Kidney Int 1989;36:891–6.

19 Rijnink EC, Teng YKO, Wilhelmus S u.c. Klīniskās un histopatoloģiskās īpašības, kas saistītas ar nieru iznākumu lupus nefrīta gadījumā. Clin J Am Soc Nephrol 2017;12:734–43.

20 Tang Y, Zhang W, Zhu M u.c. Lupus nefrīta patoloģijas prognoze ar klīniskajiem rādītājiem. Sci Rep 2018;8:10231.

21 Wolf BJ, Spainhour JC, Arthur JM u.c. Biomarķieru modeļu izstrāde, lai prognozētu lupus nefrīta rezultātus. Artrīts Rheumatol 2016;68:1955–63.

22 Dziesma, Wu L-Hua, Wang F-mei u.c. Nieru trombotiskās mikroangiopātijas spektrs lupus nefrīta gadījumā. Artrīts Res Ther 2013;15:R12. 2021. gada 27. decembrī, pie viesa. Aizsargāts ar autortiesībām.