Lupus-nefriitin alioptimaalisen vasteen ennustustyökalun kehittäminen käyttämällä munuaisten histopatologisia ja kliinisiä laboratoriomuuttujia diagnoosin aikana

Lindsay N Helget,^1,2 David J Dillon,¹ Bethany Wolf,³Laura P Parks,¹ Sally E Self,⁴Evelyn T Bruner,⁴ Evan E Oates,⁵Jim C Oates

ABSTRAKTI

TavoiteLupus nefriitti (LN) onimmuunikompleksivälitteinen glomerulaarinen ja tubulointerstitiaalinen sairaus SLE-potilailla. Tulosten ennustaminen LN-diagnoosin alussa voi ohjata päätöksiä seurannan intensiteetistä ja hoidon onnistumisesta. Tällä hetkellä tulosten koneoppimismallia ei ole olemassa. Useat tulosmallinnustyöt ovat käyttäneet yksimuuttujaa tai lineaarista mallintamista, mutta niitä rajoitti taudin heterogeenisyys. Oletimme, että munuaispatologiatulosten ja rutiininomaisten kliinisten laboratoriotietojen yhdistelmää voitaisiin käyttää kehittämään ja ristiinvalidoimaan kliinisesti merkityksellinen koneoppimisen varhaisen päätöksen tukityökalu, joka ennustaa LN-tulokset noin vuoden kuluttua.

menetelmätTämän hypoteesin ratkaisemiseksi Etelä-Carolinan lääketieteellisen yliopiston prospektiivisesta pitkittäisrekisteristä vuosina 2003–2017 otetut LN-potilaat tunnistettiin, jos heillä oli munuaisbiopsia International Society of Nephrology/Renal Pathology Societyn patologisen luokituksen mukaan. Kliiniset laboratorioarvot diagnoosihetkellä ja tulosmuuttujat noin 1 vuoden kohdalla kirjattiin. Koneoppimismalleja kehitettiin ja ristiinvalidoitiin optimaalisten vasteiden ennustamiseksi.

TuloksetFive machine learning models predicted suboptimal response status in 10 times cross-validation with receiver operating characteristics area under the curve values >0.78. Ennustavimmat muuttujat olivat interstitiaalinen tulehdus, interstitiaalinen fibroosi, aktiivisuuspisteet ja kroonisuuspisteet munuaispatologiasta ja virtsan proteiini-kreatiniinisuhde, valkosolujen määrä ja hemoglobiini kliinisistä laboratorioista. Luotiin web-pohjainen työkalu, jonka avulla lääkärit voivat syöttää nämä perustason kliiniset laboratorio- ja histopatologiset muuttujat tuottaakseen optimaalisen vasteen todennäköisyyspisteet.

JohtopäätösOttaen huomioon sairauden esiintymisen heterogeenisyyden LN:ssä, on tärkeää, että riskinennustemallit sisältävät useita tietoelementtejä. Tämä raportti tarjoaa ensimmäistä kertaa kliinisen konseptin todisteen työkalun, joka käyttää viittä eniten ennustavaa mallia ja yksinkertaistaa niiden ymmärtämistä verkkopohjaisen sovelluksen avulla.

Ottaa yhteyttä:joanna.jia@wecistanche.com

Cistanche herbadeserticola estäämunuainensairaus, napsauta tästä saadaksesi näytteen

JOHDANTO

Lupus nefriitti (LN) on immuunikompleksivälitteinen glomerulaarinen ja tubulointerstitiaalinen sairaus potilailla, joilla on SLE. Noin 50 prosentille SLE-potilaista kehittyymunuainenkomplikaatioihin liittyvät komplikaatiot, mukaan lukien LN, ja jopa 48 prosenttia diffuusia proliferatiivista sairautta sairastavista voi edetä loppuvaiheen munuaissairaudeksi 5 vuoden kuluessa diagnoosista afrikkalaisamerikkalaisten keskuudessa.1 American College of Rheumatology (ACR) suosittelee tällä hetkellä hoidon vaihtamista kun LN-potilaat katsotaan ei-vastettavissa 6 kuukauden induktiohoidon jälkeen.2 Kliinikot käyttävät erilaisia ​​seerumimarkkereita, mukaan lukien C3, C4, anti-kaksoisjuosteinen DNA (anti-dsDNA) ja kreatiniini sekä virtsan proteiini -kreatiniinisuhde ja sedimentti hoitovasteen seuraamiseksi, mutta hoitovastetta ei ole määritelty ohjeissa.2 Vaikka tässä 6-kuukauden induktiohoidon tutkimuksessa potilaille, jotka eivät reagoi, voi kehittyä lisää irreversiibeliä munuaista vahingoittaa. Koneoppimismalleihin perustuva päätöksenteon tukityökalu voisi olla hyödyllinen määritettäessä niiden potilaiden perusominaisuudet, jotka eivät todennäköisesti reagoi induktiohoitoon. Tällä hetkellä ei ole kehitetty kliinisesti hyödyllistä koneoppimismallia 1-vuoden tuloksista. Yksimuuttuja tai lineaarinen mallinnus ei ole ennustanut tuloksia hyvin tässä heterogeenisessä sairaudessa.

Oletimme, että munuaispatologiatulosten ja rutiininomaisten kliinisten laboratoriotietojen yhdistelmää voitaisiin käyttää varhaisen LN-päätöksen tukityökalun kehittämiseen ja ristiinvalidointiin, joka ennustaa suboptimaalisen vasteen noin vuoden kuluttua LN:ssä.

MENETELMÄT

Potilasväestö

Potilastiedot saatiin Etelä-Carolinan lääketieteellisen yliopiston (MUSC) Core Center for Clinical Researchin (CCCR) tulevasta pitkittäiskohortista. CCCR-tietokantaa sponsoroi NIH P30-mekanismilla, ja se on pitkittäinen rekisteri ja biovarasto pääasiassa afroamerikkalaisista SLE-potilaista. Potilaat, jotka täyttivät ACR:n tai SLE International Cooperating Clinicsin SLE-kriteerit, 3 4 arvioivat MUSC:n reumatologian asiantuntijan ja suostuivat ottamaan heidät mukaan kohorttiin. Prospektiivinen pitkittäiskohorttitietokanta luotiin vuonna 2003. Sairauskriteerit ja munuaisbiopsiatiedot syötettiin suurelta osin prospektiivisesti, mutta osa lisättiin takautuvasti kaaviotarkistuksen kautta.

cistanchevoi hoitaaakuutti munuaisten vajaatoiminta

Sisällyttämiskriteerit

Potilaat valittiin myös, jos he olivat tarkistaneet ISN/RPS:n (International Society of Nephrology/Renal Pathology Society, aktiivinen luokka, I, II, III, IV tai V nefriitti histopatologisesti joko LN:n alussa tai LN:n pahenemisen yhteydessä toista biopsia vuosina 2003–2017.5 Tutkimukseen otettiin mukaan vain potilaat, joilla oli täydelliset laboratoriotiedot saatavilla munuaisbiopsian ottamisen ajankohtana ja noin 12 kuukautta (7–24 kuukautta) munuaisbiopsian jälkeen.

Laboratorioanalyysi

Laboratorioarvot saatiin osana tavanomaista potilaan hoitoa. 24-tunnin virtsan proteiinia, proteiinin ja kreatiniinin suhdetta, seerumin kreatiniinia, albumiinia, hemoglobiinia, valkosolujen määrää, verihiutaleiden määrää, anti-dsDNA-, C3- ja C4-testejä suorittivat Clinical Laboratory Improvement Changes -sertifioidut keskuslaboratoriot. MUSC:ssä, LabCorpissa tai ulkoisissa sairaalalaboratorioissa. Arvioitu glomerulussuodatusnopeus (eGFR) määritettiin käyttämälläKrooninenMunuainenSairausEpidemiology Collaboration (CKD-EPI) -yhtälö.6

Patologian analyysi

Munuaisbiopsiat luki yksi kahdesta MUSC:n (SES tai ETB) munuaispatologista käyttäen 2018 tarkistettua ISN/RPS-aktiivisuutta (0–24) ja kroonisuutta (0–12). ) indeksielementit (jokainen sai 0–3 0 prosentilla ,<25%, 25%–50%="" and="">50 prosentin osallistuminen).5 Aktiivisuusindeksiin sisältyvät endokapillaarinen hypersellulaarisuus, karyorrhexis, fibrinoidinekroosi, hyaliinikertymät, solu- tai fibrosolupuoliset puolikuut ja interstitiaalinen tulehdus. Puolikuun ja nekroosin pisteet tuplaantuivat. Kroonisuusindeksiin sisältyivät glomeruloskleroosin kokonaispistemäärä, kuitupuoliset puolikuut, tubulusatrofia ja interstitiaalinen fibroosi.

Datan käsittely

CCCR-tietokannan tiedot siirrettiin suoraan REDCap-tietokantaan käyttämällä Data Transfer Service7 -palvelua transkriptiovirheiden poistamiseksi. Jotkut laboratorioarvot poimittiin tarkastelemalla sähköistä sairauskertomusta ja skannattuja laboratorioraportteja, ja ne syötettiin manuaalisesti tietokantaan. Abstrahoidusta datasta tehtiin viiden prosentin kaksinkertainen syöttö sen varmistamiseksi, että transkriptiovirhe oli<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

Tilastollinen analyysi

Tulosmuuttuja oli epäonnistuminen täydellisesti hoitoon noin vuoden kuluttua. Tämä aikapiste valittiin, koska vasteen muuttujat 1 vuoden kohdalla ennustavat pitkän aikavälin vastevuosia MAINTAIN- ja Euro-Lupus Nephritis -tutkimuksissa.8 Vaste määritettiin ACR-vastekriteerien muutoksella.9 Näihin kriteereihin tehdyt muutokset. ovat aiemmin kuvanneet Wofsy et ai. 10 Lyhyesti sanottuna tämä modifioitu täydellinen vaste sisältää virtsan proteiini-kreatiniini-suhteen saavuttamisen<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="">

Tämän tutkimuksen tavoitteena oli tunnistaa potilaan demografisista tiedoista sekä laboratorio- ja biopsiatietojen perustilanteesta enteilevä osajoukko ennustajia, jotka tuottivat hyvät ennusteen suorituskykyominaisuudet useille monimuuttujille tarkoitetuille ennustemalleille, joiden vaste on alioptimaalinen noin vuoden kuluttua. Tässä tutkimuksessa käsitellyt monimuuttujaluokitusmallit sisälsivät logistisen regression (LR), luokitus- ja regressiopuut (CART), satunnaismetsän (RF), tukivektorikoneet lineaarisilla, polynomisilla ja Gaussin ytimillä (SVML, SVMP ja SVMR, vastaavasti). naiivi Bayes (NB) ja keinotekoiset neuroverkot (ANN). RF-mallit sovitettiin käyttämällä "randomForest" -pakettia; LR-mallit soveltuvat käyttämällä "stats"-paketteja; SVM- ja NB-mallit sopivat käyttämällä e1071-pakettia; ANN-mallit sovitettiin käyttämällä R:ssä saatavilla olevaa "verkkoa".{2}} Eri mallien viritysparametrit valittiin ennen mallien kehittämistä. Harkittiin alustavaa kattavaa hakua kaikista jopa 20 muuttujan yhdistelmistä. Tämän haun tulokset kuitenkin havaitsivat, että paras keskimääräinen suorituskyky saavutettiin, kun malleissa oli kahdeksan muuttujaa (online-lisäkuva 2). Siten muuttujien valinta suoritettiin käyttämällä tyhjentävää tutkimusta kaikista kahdeksan tai sitä pienemmän ennustajan alajoukoista. Tätä kynnysarvoa otettiin huomioon kaikissa mallinnusmenetelmissä, jotta mallit olisivat hyödyllisempiä kiireisessä kliinisessä ympäristössä. Tarkemmin sanottuna kunkin mallin ennustajien alajoukon ennustussuorituskyky suoritettiin käyttämällä 10-kertaisen ristiinvalidoinnin (CV) lähestymistapaa. Kymmenkertainen CV jakaa tiedot 10 osajoukkoon. Malleja opetetaan käyttämällä 9/10 tiedoista ja testataan loput 1/10 tiedoista, ja tämä toistetaan jokaiselle osajoukolle. Ristiinvalidoitu käyrän alla oleva pinta-ala (cvAUC) on keskimääräinen AUC, joka on laskettu kullekin 1/10:n osajoukolle mallin kehittämisen aikana pois jätetystä tiedosta, ja sen on osoitettu olevan luotettavampi kuin yhden harjoitustestisarjan lähestymistapa. 13 Tavoitteena oli tunnistaa pieni osajoukko ennustajia, joilla oli hyvä ennustekyky kaikissa malleissa.14 Ennustuksen suorituskyky mitattiin 10-kertaisella cvAUC:lla ja paras kahdeksan muuttujan osajoukko valittiin osajoukoksi, joka johti korkeimpaan keskiarvoon. cvAUC kaikissa malleissa. Herkkyys, spesifisyys, positiivinen ennustearvo ja negatiiviset ennustearvot määritettiin valituille kynnyksille kunkin mallin palauttaman ennustetun todennäköisyyden osalta. Kaikki analyysit suoritettiin R V.4.0.2:ssa. R-Shiny, verkkopohjainen työkalu luotiin tuloksena saatujen mallien perusteella.

TULOKSET

Rekisterin sisällä 149 potilaalla oli saatavilla munuaisbiopsiatietoja vuosina 2003–2017. Näistä 83 LN:n potilaalla oli lähtötilanteen ja noin 1- vuoden seurantatiedot 7,5–24 kuukauden välillä (online-lisäkuva 1). . Kolme seurannan kanssa<7 months="" and="" four="" with="" follow-up="">2 vuotta jätettiin pois. Noin puolet osallistujista luokiteltiin alle optimaalisiin vasteisiin yhden vuoden kohdalla. Taulukossa 1 on raportoitu osallistujien ominaisuudet hoitovasteen mukaan.

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 ja sisälsi LR-, RF-, SVML-, SVMR- ja ANN-mallit. Taulukko 3 esittää cvAUC:t ja ennustajien alajoukot viidelle mallille, joilla on korkea cvAUC. Taulukko 4 näyttää kunkin mallin herkkyyden ja spesifisyyden, ja se perustuu keskimääräiseen ennusteeseen kaikissa viidessä mallissa kolmella kynnysarvolla. Interstitiaalinen tulehdus oli johdonmukaisin ennustaja, ja se sisällytettiin kaikkiin viiteen malliin. Aktiivisuuspisteet ja interstitiaalinen fibroosi olivat myös suhteellisen yhdenmukaisia, ja ne sisältyivät kaikkiin paitsi RF-malliin. Vastaanottimen toimintaominaisuuksien (ROC) käyrät, jotka perustuvat 10-kertaiseen CV-ennusteeseen kustakin viidestä valitusta mallista, on esitetty kuvassa 1. Kuvassa 2 on esitetty kaikkien malliin perustuvien mallien keskiarvon suorituskyky (herkkyys ja spesifisyys). valitulla ennustekynnyksellä. Kaikissa CART-, SVMP- ja NB-malleissa oli cvAUC:t<0.7 and="" were="" excluded="" from="" further="">

Käyttämällä seitsemää yhdenmukaisinta muuttujaa luotiin verkkopohjainen sovellus, jossa R shiny toimii kliinisenä työkaluna. Se löytyy täältä: (https://histologyapp. shinyapps.io/LN_histology{{2 }}ennustus_työkalu/). Sovelluksessa näytetään oletusarvoisesti esimerkki potilaan tiedoista. Uuden potilaan arvioimiseksi käyttäjät voivat syöttää biopsian yhteydessä saadut histologiset ja kliiniset laboratorioarvot. Tuloksena oleva kaavio esittää värillisinä pisteinä kunkin mallin ennustetun todennäköisyyden, ettei vastaus ole kynnysarvolla 0.5. Kunkin pisteen koko heijastaa vahvistusjoukon ROC AUC:ta. Yleiskuvaussivun laatikkokaaviot edustavat suboptimaalisen vasteen todennäköisyyspisteiden mediaania (viiva), IQR:ää (laatikko) ja 25. ja 75. persentiiliä ± 1,5 kertaa IQR (viikset) yksittäisillä potilailla, jotka vastaavat vastetta ja ei-vasteryhmiä. vahvistussarjoissa (kuvattu myös kuvassa 2A). Jokainen värillinen piste edustaa yhtä malliennustetta potilaan mallin suorituskyvyn yhteydessä tarkasteltuna validointisarjassa. Musta 'X' edustaa kaikkien viiden mallin keskimääräistä ennustettua todennäköisyyttä, että vastaus puuttuu.

KESKUSTELU

Tutkimuksemme osoitti, että koneoppimista voidaan käyttää kehittämään ristiinvalidoituja malleja, jotka ennustavat hyvin suboptimaalisen vasteen hoitoon potilailla, joilla on pääosin afrikkalaista syntyperää oleva LN. Nämä mallit kehitettiin käyttämällä helposti saatavilla olevia kliinisiä laboratorioita ja histopatologisia elementtejä diagnoosin aikaan. Yksittäisten histopatologisten ominaisuuksien käyttökelpoisuus diffuusin proliferatiivisen lupusnefriitin tulosten ennustamisessa on kuvattu hyvin. Aiemmat työt ovat osoittaneet yhdistetyn aktiivisuusindeksin pistemäärän ennustusvoiman etenemisessä munuaisten vajaatoimintaan, ja aktiivisuuden yksittäiset histologiset piirteet, kuten solukuurit ja fibrinoidinekroosi, osoittavat positiivisia assosiaatioita munuaisten vajaatoimintaan.15 Kroonisuusindeksin yhdistelmä sekä yksittäiset ominaisuudet, kuten koska interstitiaalinen fibroosi, glomerulaarinen skleroosi ja kuitupuoliset puolikuut olivat myös ennustavia, ja tubulaarisen atrofisen muutoksen arvioitiin olevan erityisen suuri ennustearvo suhteessa etenemiseen munuaisten vajaatoimintaan.15 Kliinisten tietoelementtien, erityisesti seerumin kreatiniinin, hematokriittien ja rodun lisääminen histologiset ominaisuudet paransivat ennustetta myöhemmissä töissä, kun taas muut tutkimukset osoittivat, että itsenäisten aktiivisuus- tai kroonisuusindeksien käyttö ei riittänyt ennustamaan vastetta. 16–19 Viimeaikaiset koneoppimislähestymistavat ovat käyttäneet multilineaarista regressiota ja satunnaista metsämallinnusta patologisen luokituksen, aktiivisuuden ja kroonisuuden ennustamiseen kliinisistä laboratorioarvoista, ja ne ovat osoittaneet lupauksia.20 Tämä tutkimus laajentaa tätä lähestymistapaa käyttämällä patologisia muuttujia ennustamaan lopputulos noin 1 vuosi.

lohikäärmeyrttien cistanche munuaisille

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 viidessä mallissa. Tämä tutkimus on ainutlaatuinen siinä mielessä, että koneoppimismalleissa käytettiin yksilöllisen aktiivisuuden ja kroonisuuden pisteytyselementtejä. Tätä tukee aiempi kirjallisuus, jossa kuvataan niiden käyttöä yksittäin.15

Tämän ennustemallinnuksen tulokset tulee tulkita oikeaan kliiniseen kontekstiin. Korkean interstitiaalisen fibroosin esiintyminen alhaisella aktiivisuuspisteellä on todennäköinen osoitus kroonisesta vauriosta, jonka yhteydessä immunosuppressiota käytettäisiin estämään paheneminen edelleen sen sijaan, että palautettaisiin munuaisten toiminta. Niitä, joilla on korkeat aktiivisuuspisteet, voidaan kuitenkin lähestyä immunosuppressiivisten yhdistelmähoitojen avulla tai seurata toisen linjan hoitojen lisäämistä aikaisemmin munuaisten toiminnan parantamiseksi tai säilyttämiseksi. Koska nämä tiedot olivat retrospektiivisia, emme tiedä, muuttaako ennusteiden käyttäminen induktiohoitoa koskevien päätösten ohjaamiseen tuloksia. Kuten usein tapahtuu hoidettaessa potilaita, joilla on autoimmuunisairaus, kliinikon ei olisi asianmukaista tehdä päätöksiä hoidon valinnasta tämän ennusteen perusteella ottamatta huomioon kliinistä kontekstia. Ennustetta vasteen puuttumisesta voitaisiin kuitenkin käyttää muuttamaan vasteen ja hoidon koordinoinnin seurantatiheyttä lääkityksen noudattamisen varmistamiseksi.

Sitä voitaisiin myös harkita tehtäessä päätöksiä hoidon lisäämisestä tai vaihtamisesta vasteen puuttuessa aikaisemmissa ajankohtana kuin ACR-ohjeiden mukaan suositeltu 6 kuukautta.

Tällä tutkimuksella on useita rajoituksia. Tulosten mallintamiseen käytetyt tiedot tulivat enimmäkseen afrikkalaissyntyisiltä potilailta. Siksi käyttö kliinisessä käytännössä voi rajoittua tähän väestöryhmään. Vaikka pitkittäistiedot tässä tutkimuksessa kerättiin prospektiivisesti, analyysi oli retrospektiivinen. Vaikka tromboottinen mikroangiopatia on yhdistetty aikaisempien tutkimusten tuloksiin22, tällä löydöllä saatujen biopsioiden määrä (viisi) rajoitti sen merkitystä malleissa. Tässä esitettyä päätöksentekoapua ei ole käytetty ennakoivasti sen määrittämiseen, parantaako ennustepisteisiin perustuva hoitostrategian muuttaminen tuloksia. Sitä ei ole arvioitu pitkän aikavälin tulosten ennustamisessa, joten sitä ei pitäisi käyttää > 1-vuoden tulosten ennustamiseen. 1-vuoden tulokset on kuitenkin yhdistetty pitkän aikavälin tuloksiin MAINTAIN- ja Euro-Lupus Nephritis -tutkimuksissa.8 Potilaiden valinta tähän tutkimukseen voi vääristää tuloksia. Esimerkiksi ne, joilla on nopeammin etenevä munuaissairaus, saavat todennäköisemmin biopsian. Ne, joiden lähtötilanne ja noin 1-vuoden seuranta on saatavilla sairauskertomuksessa, voivat olla suotuisampia tuloksia. Emme voineet tutkia tarkasti lääkkeiden vaikutusta tuloksiin, koska useimmat potilaat saivat mykofenolaattia tai mykofenolihappoa.

Ottaen huomioon sairauden esiintymisen heterogeenisyyden LN:ssä, on tärkeää, että riskinennustemallit sisältävät useita tietoelementtejä. Tämä raportti tarjoaa ensimmäistä kertaa kliinisen työkalun, joka käyttää viittä eniten ennustavaa mallia ja yksinkertaistaa niiden ymmärtämistä verkkopohjaisen sovelluksen avulla. Tässä ehdotetuilla ennustemalleilla esitämme konseptin todisteen työkalusta, joka voi kertoa sekä seurantatiheydestä että helpottaa keskustelua potilaiden kanssa hoidon valinnasta. Tarkempi seuranta tai hoidon koordinoinnin käyttöönotto niille, joiden ennustetaan saavan optimaalisen vasteen hoitoon, voi parantaa tuloksia, mutta sitä tulisi testata tulevaisuuteen.

akteosidisisääncistancheon hyviä vaikutuksiamunuainen

VIITTEET

1 Dooley MA, Hogan S, Jennette C, et ai. Syklofosfamidihoito lupus-nefriitin hoitoon: huono munuaisten eloonjääminen mustilla amerikkalaisilla. glomerulaaristen sairauksien yhteistyöverkosto. Kidney Int 1997;51:1188–95.

2 Hahn BH, McMahon MA, Wilkinson A, et ai. American College of Rheumatology -ohjeet lupusnefriitin seulomiseen, hoitoon ja hoitoon. Arthritis Care Res 2012;64:797–808.

3 Hochberg MC. Päivittämällä American College of Rheumatologyn tarkistetut kriteerit systeemisen lupus erythematosuksen luokittelulle. Arthritis Rheum 1997;40:1725.

4 Isenberg D, Wallace DJ, Nived O. Systeemisen lupuksen kansainvälisten yhteistyössä toimivien klinikoiden luokituskriteerien johtaminen ja validointi systeemiselle lupus erythematosukselle. Niveltulehdus Rheum 2012;64.

5 Bajema IM, Wilhelmus S, Alpers CE, et ai. Kansainvälisen nefrologiayhdistyksen/munuaispatologiayhdistyksen lupusnefriitin luokituksen tarkistaminen: määritelmien selvennys ja muunnetut terveystoiminnan kansalliset instituutit ja kroonisuusindeksit. Kidney Int 2018;93:789–96.

6 Pei X, Yang W, Wang S, et ai. Matemaattisten algoritmien käyttö glomerulaarisen suodatusnopeuden arviointiyhtälöiden muokkaamiseen. PLoS One 2013;8:e57852.

7 Harris PA, Taylor R, Thielke R, et ai. Tutkimuksen sähköinen tiedonkeruu (REDCap)--metatietoihin perustuva menetelmä ja työnkulkuprosessi translaation tutkimusinformatiikan tuen tarjoamiseen. J Biomed Inform 2009;42:377–81.

8 Ugolini-Lopes MR, Seguro LPC, Castro MXF, et ai. Varhainen proteinuriavaste: pätevä tosielämän tilanteen ennustaja pitkäaikaiselle lupuksen munuaistulehdukselle etnisesti monimuotoisessa ryhmässä, jolla on vakava biopsialla todistettu nefriitti. Lupus Sci Med 2017; 4:e000213.

9 American College of Rheumatologyn ad hoc -komitean munuaissairauksien alakomitea systeemisen lupus erythematosus -vastekriteerien osalta. American College of Rheumatology -vastekriteerit proliferatiiviselle ja kalvoiselle munuaissairaudelle systeemisen lupus erythematosuksen kliinisissä tutkimuksissa. Arthritis Rheum 2006;54:421–32. 27. joulukuuta 2021, vieraana. Tekijänoikeudella suojattu. 24. elokuuta 2021. Ladattu osoitteesta 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. Vaihtoehtoisten ensisijaisten tulosmittausten vertailu lupusnefriitin kliinisissä tutkimuksissa. Arthritis Rheum 2013;65:1586–91.

11 Team RC. Tilastolaskennan kieli ja ympäristö, 2020. Saatavilla:

12 Liaw A, Wiener M. Luokittelu ja regressio satunnaismetsän mukaan. R News 2002;2:18–22.

13 Hastie T, Tibshirani R, Friedman JH. Tilastollisen oppimisen elementit: tiedon louhinta, päättely ja ennustaminen: 200 täysvärikuvalla. New York: Springer, 2001.

14 LeDell E, Petersen M, van der Laan M. Laskennallisesti tehokkaat luottamusvälit ristiinvalidoidulle alueelle ROC-käyrän arvioiden alla. Electron J Stat 2015;9:1583–607.

15 Austin HA, Muenz LR, Joyce KM, et ai. Diffuusi proliferatiivinen lupusnefriitti: munuaisten lopputulokseen vaikuttavien spesifisten patologisten piirteiden tunnistaminen. Kidney Int 1984;25:689–95.

16 Austin HA, Boumpas DT, Vaughan EM, et ai. Lupus-nefriitin korkean riskin piirteet: rodun sekä kliinisen ja histologisen tekijän merkitys 166 potilaalla. Nephrol Dial Transplant 1995;10:1620–8.

17 Austin HA, Boumpas DT, Vaughan EM, et ai. Munuaistulosten ennustaminen vaikeassa lupus-nefriitissä: kliinisten ja histologisten tietojen osuus. Kidney Int 1994;45:544–50.

18 Schwartz MM, Bernstein J, Hill GS, et ai. Munuaispatologian ennustearvo diffuusissa proliferatiivisessa lupusglomerulonefriitissä. lupus nephritis Collaborative Study Group. Kidney Int 1989;36:891–6.

19 Rijnink EC, Teng YKO, Wilhelmus S, et ai. Lupusnefriitin munuaistuloksiin liittyvät kliiniset ja histopatologiset ominaisuudet. Clin J Am Soc Nephrol 2017;12:734–43.

20 Tang Y, Zhang W, Zhu M, et ai. Lupus-nefriitin patologian ennuste kliinisillä indekseillä. Sci Rep 2018;8:10231.

21 Wolf BJ, Spainhour JC, Arthur JM, et ai. Biomarkkerimallien kehittäminen lupus-nefriitin tulosten ennustamiseksi. Arthritis Rheumatol 2016; 68:1955–63.

22 Song D, Wu L-Hua, Wang F-mei ym. Munuaisten tromboottisen mikroangiopatian kirjo lupusnefriitissä. Arthritis Res Ther 2013;15:R12. 27. joulukuuta 2021, vieraana. Tekijänoikeudella suojattu.