Entwicklung eines Tools zur Vorhersage einer suboptimalen Lupusnephritis-Reaktion unter Verwendung renaler histopathologischer und klinischer Laborvariablen zum Zeitpunkt der Diagnose

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

ABSTRAKT

ZielsetzungLupusnephritis (LN) ist eineimmunKomplex-vermittelte glomeruläre und tubulointerstitielle Erkrankung bei Patienten mit SLE. Die Vorhersage der Ergebnisse zu Beginn der LN-Diagnose kann Entscheidungen über die Intensität der Überwachung und Therapie für den Behandlungserfolg leiten. Derzeit gibt es kein maschinelles Lernmodell für Ergebnisse. Mehrere Ergebnismodellierungsarbeiten haben univariate oder lineare Modellierung verwendet, waren jedoch durch die Krankheitsheterogenität eingeschränkt. Wir stellten die Hypothese auf, dass eine Kombination aus Ergebnissen der Nierenpathologie und routinemäßigen klinischen Labordaten verwendet werden könnte, um ein klinisch aussagekräftiges maschinelles Lerntool zur Unterstützung früher Entscheidungen zu entwickeln und zu validieren, das die Ergebnisse von LN nach etwa einem Jahr vorhersagt.

MethodenUm dieser Hypothese nachzugehen, wurden Patienten mit LN aus einem prospektiven Längsschnittregister an der Medical University of South Carolina, das zwischen 2003 und 2017 aufgenommen wurde, identifiziert, wenn sie Nierenbiopsien mit der pathologischen Klassifikation der International Society of Nephrology/Renal Pathology Society hatten. Klinische Laborwerte zum Zeitpunkt der Diagnose und Ergebnisvariablen nach etwa 1 Jahr wurden aufgezeichnet. Es wurden Modelle für maschinelles Lernen entwickelt und kreuzvalidiert, um suboptimale Reaktionen vorherzusagen.

ErgebnisseFive machine learning models predicted suboptimal response status in 10 times cross-validation with receiver operating characteristics area under the curve values >0.78. Die prädiktivsten Variablen waren interstitielle Entzündung, interstitielle Fibrose, Aktivitäts-Score und Chronizitäts-Score aus Nierenpathologie und Protein-zu-Kreatinin-Verhältnis im Urin, Leukozytenzahl und Hämoglobin aus den klinischen Labors. Es wurde ein webbasiertes Tool entwickelt, mit dem Kliniker diese klinischen Labor- und histopathologischen Ausgangsvariablen eingeben können, um einen Wahrscheinlichkeitswert für ein suboptimales Ansprechen zu erstellen.

FazitAngesichts der Heterogenität der Krankheitspräsentation bei LN ist es wichtig, dass Risikovorhersagemodelle mehrere Datenelemente enthalten. Dieser Bericht stellt zum ersten Mal ein klinisches Proof-of-Concept-Tool bereit, das die fünf Modelle mit den besten Vorhersagen verwendet und deren Verständnis durch eine webbasierte Anwendung vereinfacht.

Kontakt:joanna.jia@wecistanche.com

Cistanche herbaDeserticola verhindertNiereKrankheit, klicken Sie hier, um die Probe zu erhalten

EINLEITUNG

Lupusnephritis (LN) ist eine Immunkomplex-vermittelte glomeruläre und tubulointerstitielle Erkrankung bei Patienten mit SLE. Etwa 50 Prozent der Patienten mit SLE entwickeln sichNiere-bedingte Komplikationen, einschließlich LN, und bis zu 48 Prozent der Patienten mit der diffusen proliferativen Erkrankung können bei Afroamerikanern innerhalb von 5 Jahren nach der Diagnose zu einer Nierenerkrankung im Endstadium fortschreiten.1 Das American College of Rheumatology (ACR) empfiehlt derzeit eine Änderung der Therapie wenn Patienten mit LN nach 6 Monaten Induktionstherapie als Non-Responder gelten.2 Kliniker verwenden eine Vielzahl von Serummarkern, darunter C3, C4, Anti-Doppelstrang-DNA (Anti-dsDNA) und Kreatinin sowie Urinprotein -zu-Kreatinin-Verhältnis und Sediment, um das Ansprechen auf die Therapie zu überwachen, aber das Ansprechen auf die Therapie ist in den Richtlinien nicht definiert.2 Während dieser 6-monatigen Studie zur Induktionstherapie können Patienten, die nicht ansprechen, zusätzliche irreversible Nierenschäden entwickeln Schaden. Ein auf maschinellen Lernmodellen basierendes Entscheidungsunterstützungstool könnte nützlich sein, um die Grundlinienmerkmale von Patienten zu bestimmen, die mit geringerer Wahrscheinlichkeit auf eine Induktionstherapie ansprechen. Derzeit wurde kein klinisch nützliches maschinelles Lernmodell für 1--Jahresergebnisse entwickelt. Univariate oder lineare Modellierung hat die Ergebnisse bei dieser heterogenen Krankheit nicht gut vorhergesagt.

Wir stellten die Hypothese auf, dass eine Kombination aus nierenpathologischen Ergebnissen und routinemäßigen klinischen Labordaten verwendet werden könnte, um ein Instrument zur Unterstützung der frühen LK-Entscheidung zu entwickeln und zu validieren, das ein suboptimales Ansprechen nach etwa 1 Jahr bei LN vorhersagt.

METHODEN

Patientenpopulation

Die Patientendaten wurden aus der prospektiven Längsschnittkohorte des Core Center for Clinical Research (CCCR) der Medical University of South Carolina (MUSC) abgeleitet. Die CCCR-Datenbank wird vom NIH im Rahmen des P30-Mechanismus gesponsert und ist ein Längsschnittregister und Biorepository von überwiegend afroamerikanischen Patienten mit SLE. Ausgewählte Patienten, die die Kriterien der ACR oder SLE International Cooperating Clinics für SLE erfüllten,3 4 wurden von einem Facharzt für Rheumatologie am MUSC untersucht und stimmten der Aufnahme in die Kohorte zu. Die prospektive Kohorten-Längsschnittdatenbank wurde 2003 erstellt. Krankheitskriterien und Nierenbiopsiedaten wurden größtenteils prospektiv eingegeben, aber einige wurden retrospektiv durch Diagrammprüfung hinzugefügt.

Zistanchebehandeln kannakutes Nierenversagen

Einschlusskriterien

Die Patienten wurden auch ausgewählt, wenn sie histopathologisch revidierte Nephritis der aktiven Klasse, I, II, III, IV oder V der International Society of Nephrology/Renal Pathology Society (ISN/RPS) hatten, entweder bei der erstmaligen Präsentation von LN oder mit Hinweis auf eine Verschlechterung der LN Wiederholungsbiopsie zwischen 2003 und 2017.5 Nur Patienten mit vollständigen Labordaten, die zum Zeitpunkt der Nierenbiopsie und ungefähr 12 Monate (7–24 Monate) nach der Nierenbiopsie verfügbar waren, wurden in die Studie aufgenommen.

Laboranalyse

Laborwerte wurden im Rahmen der Standardpatientenversorgung erhoben. Tests für 24--Stunden-Urinprotein, Protein-Kreatinin-Verhältnis, Serumkreatinin, Albumin, Hämoglobin, Leukozytenzahl, Thrombozytenzahl, Anti-dsDNA, C3 und C4 wurden von Clinical Laboratory Improvement Amendments-zertifizierten Zentrallabors durchgeführt bei MUSC, LabCorp oder externen Krankenhauslabors. Die geschätzte glomeruläre Filtrationsrate (eGFR) wurde unter Verwendung von bestimmtChronischNiereErkrankungEpidemiology Collaboration (CKD-EPI)-Gleichung.6

Pathologische Analyse

Nierenbiopsien wurden von einem von zwei Nierenpathologen am MUSC (SES oder ETB) unter Verwendung der 2018 überarbeiteten ISN/RPS-Aktivität (0–24) und Chronizität (0–12 ) Indexelemente (jedes erzielte 0–3 für 0 Prozent ,<25%, 25%–50%="" and="">50 Prozent Beteiligung).5 In den Aktivitätsindex eingeschlossen sind endokapillare Hyperzellularität, Karyorrhexis, fibrinoide Nekrose, hyaline Ablagerungen, zelluläre oder fibrozelluläre Halbmonde und interstitielle Entzündung. Die Punktzahlen wurden für Halbmonde und Nekrose verdoppelt. In den Chronizitätsindex eingeschlossen waren der Gesamtglomerulosklerose-Score, fibröse Halbmonde, tubuläre Atrophie und interstitielle Fibrose.

Datenverarbeitung

Daten für die CCCR-Datenbank wurden mithilfe des Data Transfer Service7 direkt in die REDCap-Datenbank eingepflegt, um Übertragungsfehler zu eliminieren. Einige Laborwerte wurden durch Tabellenüberprüfung der elektronischen Krankenakte und gescannten Laborberichten extrahiert und manuell in die Datenbank eingegeben. Eine fünfprozentige doppelte Eingabe der abstrahierten Daten wurde durchgeführt, um sicherzustellen, dass es sich um einen Übertragungsfehler handelte<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

statistische Analyse

Die Ergebnisvariable war das Ausbleiben des vollständigen Ansprechens auf die Therapie nach etwa einem Jahr. Dieser Zeitpunkt wurde gewählt, da Variablen des Ansprechens nach 1 Jahr in den MAINTAIN- und Euro-Lupus-Nephritis-Studien das langfristige Ansprechen in Jahren vorhersagen.8 Das Ansprechen wurde durch eine Modifikation der ACR-Ansprechkriterien definiert.9 Die Modifikationen dieser Kriterien wurden zuvor von Wofsy et al. beschrieben. 10 Kurz gesagt umfasst diese modifizierte vollständige Reaktion das Erreichen eines Protein-zu-Kreatinin-Verhältnisses im Urin von<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="">

Das Ziel dieser Studie war es, eine sparsame Teilmenge von Prädiktoren aus Patientendemografien und Ausgangslabor- und Biopsiedaten zu identifizieren, die gute Vorhersageleistungsmerkmale für eine Reihe multivariabler Vorhersagemodelle für suboptimales Ansprechen nach etwa 1 Jahr ergaben. In dieser Studie betrachtete multivariable Klassifikationsmodelle umfassten logistische Regression (LR), Klassifikations- und Regressionsbäume (CART), Random Forest (RF), Support Vector Machines mit linearen, polynomischen und Gaußschen Kernen (SVML, SVMP bzw. SVMR), naive Bayes (NB) und künstliche neuronale Netze (ANN). HF-Modelle wurden mit dem „randomForest“-Paket angepasst; LR-Modelle wurden mit den „stats“-Paketen angepasst; SVMs und NB-Modelle wurden mit dem Paket „e1071“ angepasst; KNN-Modelle wurden unter Verwendung des in R verfügbaren „Netzes“ angepasst.11 12 Vor der Entwicklung der Modelle wurden Abstimmungsparameter für die verschiedenen betrachteten Modelle ausgewählt. Eine anfängliche erschöpfende Suche aller Kombinationen von bis zu 20 Variablen wurde erwogen. Die Ergebnisse dieser Suche ergaben jedoch, dass die beste durchschnittliche Leistung erzielt wurde, wenn die Modelle acht Variablen enthielten (ergänzende Online-Abbildung 2). Daher wurde die Variablenauswahl unter Verwendung einer erschöpfenden Untersuchung aller Teilmengen von acht oder weniger Prädiktoren durchgeführt. Diese Schwellenzahl wurde für alle Modellierungsansätze berücksichtigt, um die Modelle in einem geschäftigen klinischen Umfeld nützlicher zu machen. Insbesondere wurde die Vorhersageleistung für die Teilmenge von Prädiktoren jedes Modells unter Verwendung des Ansatzes der 10--fachen Kreuzvalidierung (CV) durchgeführt. Zehnfacher CV teilt die Daten in 10 Teilmengen. Modelle werden mit 9/10 der Daten trainiert und mit dem verbleibenden 1/10 der Daten getestet, und dies wird für jede Teilmenge wiederholt. Die kreuzvalidierte Fläche unter der Kurve (cvAUC) ist die durchschnittliche AUC, die für jede Teilmenge von 1/10 der Daten berechnet wird, die während der Modellentwicklung ausgeschlossen wurden, und hat sich als robuster erwiesen als die Verwendung eines einzelnen Trainings-Test-Satz-Ansatzes. 13 Das Ziel bestand darin, eine kleine Teilmenge von Prädiktoren mit guter Vorhersageleistung über die Modelle hinweg zu identifizieren.14 Die Vorhersageleistung wurde mit dem 10--fachen cvAUC gemessen, und die beste Teilmenge von acht Variablen wurde als die Teilmenge ausgewählt, die zum höchsten Durchschnitt führte cvAUC für alle Modelle. Sensitivität, Spezifität, positiver prädiktiver Wert und negativer prädiktiver Wert wurden für ausgewählte Schwellenwerte für die prognostizierte Wahrscheinlichkeit des Nichtansprechens bestimmt, die von jedem Modell zurückgegeben wurden. Alle Analysen wurden in R V.4.0.2 durchgeführt. Basierend auf den ausgewählten resultierenden Modellen wurde ein webbasiertes R-Shiny-Tool erstellt.

ERGEBNISSE

Innerhalb des Registers standen bei 149 Patienten zwischen 2003 und 2017 Informationen zu Nierenbiopsien zur Verfügung. Von diesen lagen bei 83 Patienten mit LN Daten zum Ausgangswert und zu ungefähr 1- Jahren der Nachbeobachtungszeit zwischen 7,5 und 24 Monaten vor (ergänzende Online-Abbildung 1). . Drei mit Follow-up<7 months="" and="" four="" with="" follow-up="">2 Jahre wurden ausgeschlossen. Ungefähr die Hälfte der Teilnehmer wurde nach 1 Jahr als suboptimale Responder eingestuft. Die Merkmale der Teilnehmer nach Ansprechen auf die Behandlung sind in Tabelle 1 aufgeführt.

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 und umfasste die Modelle LR, RF, SVML, SVMR und ANN. Tabelle 3 zeigt die Untergruppe der cvAUCs und Prädiktoren für die fünf Modelle mit hoher cvAUC. Tabelle 4 zeigt die Sensitivität und Spezifität jedes Modells und basiert auf der durchschnittlichen Vorhersage über alle fünf Modelle bei jeweils drei Schwellenwerten. Die interstitielle Entzündung war der konsistenteste Prädiktor und wurde in alle fünf Modelle aufgenommen. Aktivitäts-Score und interstitielle Fibrose waren ebenfalls relativ konsistent und wurden in allen außer dem RF-Modell eingeschlossen. Die Receiver Operating Characteristics (ROC)-Kurven basierend auf der 10--fachen CV-Vorhersage von jedem der fünf ausgewählten Modelle sind in Abbildung 1 dargestellt. Abbildung 2 zeigt die Leistung (Empfindlichkeit und Spezifität) des Mittelwerts aller basierenden Modelle auf der gewählten Vorhersageschwelle. Die CART-, SVMP- und NB-Modelle hatten alle cvAUCs<0.7 and="" were="" excluded="" from="" further="">

Unter Verwendung der sieben konsistentesten Variablen wurde eine webbasierte Anwendung mit R Shiny erstellt, die als klinisches Werkzeug dient und hier zu finden ist: (https://histologyapp. shineapps.io/LN_histology{{2 }}Vorhersage_tool/). In der Anwendung wird standardmäßig ein Beispiel für Patientendaten angezeigt. Um einen neuen Patienten zu beurteilen, können Benutzer histologische und klinische Laborwerte eingeben, die zum Zeitpunkt der Biopsie erhalten wurden. Das resultierende Diagramm zeigt als farbige Punkte die vorhergesagte Wahrscheinlichkeit des Nichtansprechens jedes Modells bei einem Schwellenwert von 0,5. Die Größe jedes Punktes spiegelt die ROC-AUC im Validierungssatz wider. Die Boxplots auf der Übersichtsseite stellen den Median (Linie), den IQR (Kasten) und das 25. und 75. Perzentil ± das 1,5-fache des IQR (Whisker) der Wahrscheinlichkeitswerte für ein suboptimales Ansprechen bei einzelnen Patienten in den Responder- und Non-Responder-Gruppen dar in den Validierungssätzen (auch in Abbildung 2A dargestellt). Jeder farbige Punkt stellt eine einzelne Modellvorhersage des Patienten dar, die im Zusammenhang mit der Leistung des Modells im Validierungssatz betrachtet wird. Das schwarze „X“ repräsentiert die mittlere vorhergesagte Wahrscheinlichkeit des Nichtansprechens aller fünf Modelle.

DISKUSSION

Unsere Studie stellte fest, dass maschinelles Lernen verwendet werden kann, um kreuzvalidierte Modelle mit einer guten Vorhersage des suboptimalen Ansprechens auf die Therapie bei Patienten mit LN, überwiegend afrikanischer Abstammung, zu entwickeln. Diese Modelle wurden unter Verwendung leicht verfügbarer klinischer Labor- und histopathologischer Elemente zum Zeitpunkt der Diagnose entwickelt. Der Nutzen einzelner histopathologischer Merkmale zur Vorhersage von Ergebnissen bei diffuser proliferativer Lupusnephritis ist gut beschrieben. Frühere Arbeiten haben die Vorhersagekraft des zusammengesetzten Aktivitätsindex-Scores im Verlauf des Nierenversagens gezeigt, wobei einzelne histologische Aktivitätsmerkmale wie zelluläre Halbmonde und fibrinoide Nekrose positive Assoziationen mit Nierenversagen zeigen.15 Der zusammengesetzte Chronizitätsindex sowie individuelle Merkmale wie z da interstitielle Fibrose, glomeruläre Sklerose und fibröse Halbmonde ebenfalls prädiktiv waren, wobei sich tubuläre atrophische Veränderungen als besonders hochprädiktiv im Hinblick auf das Fortschreiten zum Nierenversagen erwiesen haben.15 Die Hinzufügung klinischer Datenelemente, insbesondere Serumkreatinin, Hämatokrit und ethnische Zugehörigkeit Aufgrund histologischer Merkmale verbesserte sich die Vorhersage in nachfolgenden Arbeiten, während andere Studien zeigten, dass die Verwendung von eigenständigen Aktivitäts- oder Chronifizierungsindizes für die Vorhersage des Ansprechens unzureichend war. 16–19 Neuere maschinelle Lernansätze haben multilineare Regression und Random-Forest-Modellierung verwendet, um pathologische Klassifikation, Aktivität und Chronizität aus klinischen Laborwerten vorherzusagen, und haben sich als vielversprechend erwiesen.20 Diese Studie erweitert diesen Ansatz, indem sie pathologische Variablen verwendet, um ein ungefähres Ergebnis vorherzusagen 1 Jahr.

Drachenkräuter Cistanche für Niere

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 in fünf Modellen. Diese Studie ist insofern einzigartig, als einzelne Aktivitäts- und Chronizitäts-Score-Elemente in maschinellen Lernmodellen verwendet wurden. Dies wird durch frühere Literatur unterstützt, die ihre Verwendung einzeln beschreibt.15

Die Ergebnisse dieser Vorhersagemodellierung sollten im richtigen klinischen Kontext interpretiert werden. Das Vorhandensein einer hohen interstitiellen Fibrose mit einem niedrigen Aktivitätswert ist ein wahrscheinlicher Hinweis auf eine chronische Verletzung, bei der eine Immunsuppression eher zur Verhinderung einer weiteren Verschlechterung als zur Wiederherstellung der Nierenfunktion eingesetzt werden würde. Patienten mit hohen Aktivitätswerten könnten jedoch früher mit immunsuppressiven Kombinationstherapien angesprochen oder auf die Hinzufügung von Zweitlinientherapien überwacht werden, um die Nierenfunktion zu verbessern oder zu erhalten. Angesichts der Tatsache, dass diese Daten retrospektiv waren, wissen wir nicht, ob die Verwendung der Vorhersagen zur Lenkung von Entscheidungen über die Induktionstherapie die Ergebnisse verändern wird. Wie es bei der Behandlung von Patienten mit Autoimmunerkrankungen häufig der Fall ist, wäre es für einen Arzt nicht angebracht, Entscheidungen über die Wahl der Therapie auf der Grundlage dieses Vorhersagewerts ohne Berücksichtigung des klinischen Kontexts zu treffen. Eine Vorhersage des Nichtansprechens könnte jedoch verwendet werden, um die Häufigkeit der Überwachung des Ansprechens und der Pflegekoordination zu ändern, um die Einhaltung der Medikation sicherzustellen.

Es könnte auch bei Entscheidungen in Betracht gezogen werden, die Therapie wegen fehlenden Ansprechens zu einem früheren Zeitpunkt als den gemäß den ACR-Leitlinien empfohlenen 6 Monaten fortzusetzen oder zu ändern.

Diese Studie hat mehrere Einschränkungen. Die zur Modellierung der Ergebnisse verwendeten Informationen stammten hauptsächlich von Patienten afrikanischer Abstammung. Daher kann die Verwendung in der klinischen Praxis auf diese Bevölkerungsgruppe beschränkt sein. Während die Längsschnittdaten in dieser Studie prospektiv erhoben wurden, war die Analyse retrospektiv. Während thrombotische Mikroangiopathie in früheren Studien mit Ergebnissen in Verbindung gebracht wurde,22 begrenzte die Anzahl der Biopsien mit diesem Befund (fünf) seine Aussagekraft in den Modellen. Die hier vorgestellte Entscheidungshilfe wurde nicht prospektiv verwendet, um festzustellen, ob eine Änderung der Behandlungsstrategie auf der Grundlage von Vorhersagewerten die Ergebnisse verbessert. Es wurde nicht zur Vorhersage von Langzeitergebnissen ausgewertet und sollte daher nicht zur Vorhersage von > 1--Jahresergebnissen verwendet werden. In den MAINTAIN- und Euro-Lupus-Nephritis-Studien wurden jedoch 1--Jahres-Ergebnisse mit langfristigen Ergebnissen in Verbindung gebracht.8 Die Auswahl der Patienten für die Aufnahme in diese Studie könnte die Ergebnisse beeinflussen. Zum Beispiel erhalten diejenigen mit einer schneller fortschreitenden Nierenerkrankung eher eine Biopsie. Diejenigen, für die in der Krankenakte ein Ausgangswert und eine Nachbeobachtung von etwa 1- Jahren verfügbar sind, können zu günstigeren Ergebnissen neigen. Wir konnten die Wirkung von Medikamenten auf die Ergebnisse nicht rigoros untersuchen, da die meisten Patienten Mycophenolat oder Mycophenolsäure erhielten.

Angesichts der Heterogenität der Krankheitspräsentation bei LN ist es wichtig, dass Risikovorhersagemodelle mehrere Datenelemente enthalten. Dieser Bericht stellt zum ersten Mal ein klinisches Tool bereit, das die fünf Modelle mit den besten Vorhersagen verwendet und deren Verständnis durch eine webbasierte Anwendung vereinfacht. Mit den hier vorgeschlagenen Vorhersagemodellen stellen wir einen Machbarkeitsnachweis für ein Instrument vor, das sowohl Informationen über die Häufigkeit der Überwachung liefern als auch Diskussionen mit Patienten über die Wahl der Therapie erleichtern kann. Eine genauere Überwachung oder der Einsatz von Pflegekoordination für diejenigen, bei denen ein suboptimales Ansprechen auf die Therapie vorhergesagt wird, hat das Potenzial, die Ergebnisse zu verbessern, sollte aber prospektiv getestet werden.

ActeosidinZistanchegute Wirkung haben aufNiere

VERWEISE

1 MA Dooley, S. Hogan, C. Jennette, et al. Cyclophosphamid-Therapie bei Lupusnephritis: schlechtes Nierenüberleben bei schwarzen Amerikanern. Kooperationsnetzwerk für Glomeruläre Erkrankungen. Kidney Int 1997;51:1188–95.

2 Hahn BH, McMahon MA, Wilkinson A, et al. Richtlinien des American College of Rheumatology für das Screening, die Behandlung und das Management von Lupusnephritis. Arthritis Care Res 2012;64:797–808.

3 Hochberg MC. Aktualisierung der überarbeiteten Kriterien des American College of Rheumatology für die Klassifizierung von systemischem Lupus erythematodes. Arthritis Rheum 1997;40:1725.

4 Isenberg D, Wallace DJ, Nived O. Ableitung und Validierung von Systemic Lupus International Collaborating Clinics Klassifikationskriterien für systemischen Lupus erythematodes. Arthritis Rheum 2012;64.

5 Bajema IM, Wilhelmus S., Alpers CE, et al. Überarbeitung der Klassifikation der International Society of Nephrology/Renal Pathology Society für Lupusnephritis: Klarstellung der Definitionen und modifizierte National Institutes of Health Activity and Chronicity Indizes. Kidney Int 2018;93:789–96.

6 Pei X, Yang W, Wang S, et al. Verwenden mathematischer Algorithmen zum Modifizieren von Schätzungsgleichungen für die glomeruläre Filtrationsrate. PLoS One 2013;8:e57852.

7 Harris PA, Taylor R, Thielke R, et al. Research Electronic Data Capture (REDCap)--eine metadatengesteuerte Methodik und ein Workflow-Prozess zur Unterstützung der translationalen Forschungsinformatik. J Biomed Inform 2009;42:377–81.

8 Ugolini-Lopes MR, Seguro LPC, Castro MXF, et al. Frühe Proteinurie-Reaktion: ein gültiger Prädiktor für reale Situationen des langfristigen renalen Lupus-Ergebnisses in einer ethnisch heterogenen Gruppe mit schwerer durch Biopsie nachgewiesener Nephritis. Lupus Sci Med 2017;4:e000213.

9 Unterausschuss für Nierenerkrankungen des American College of Rheumatology Ad-hoc-Ausschusses für Kriterien der Reaktion auf systemischen Lupus erythematodes. Die Ansprechkriterien des American College of Rheumatology für proliferative und membranöse Nierenerkrankungen in klinischen Studien mit systemischem Lupus erythematodes. Arthritis Rheum 2006;54:421–32. am 27. Dezember 2021 durch den Gast. Urheberrechtlich geschützt. am 24. August 2021. Heruntergeladen von Helget LN, et al. Lupus Wissenschaft & Medizin 2021;8:e000489. doi:10.1136/lupus-2021-000489 8 Lupus-Wissenschaft und -Medizin

10 Wofsy D, Hillson JL, Diamond B. Vergleich alternativer primärer Ergebnismessungen zur Verwendung in klinischen Lupusnephritis-Studien. Arthritis Rheum 2013;65:1586–91.

11 Team-RC. Eine Sprache und Umgebung für statistische Berechnungen, 2020. Verfügbar:

12 Liaw A, Wiener M. Klassifikation und Regression durch Random Forest. R News 2002;2:18–22.

13 Hastie T., Tibshirani R., Friedman JH. Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage: mit 200 farbigen Abbildungen. New York: Springer, 2001.

14 LeDell E, Petersen M, van der Laan M. Rechnerisch effiziente Konfidenzintervalle für die kreuzvalidierte Fläche unter den Schätzungen der ROC-Kurve. Electron J Stat 2015;9:1583–607.

15 Austin HA, Münz LR, Joyce KM, et al. Diffuse proliferative Lupusnephritis: Identifizierung spezifischer pathologischer Merkmale, die das Nierenergebnis beeinflussen. Kidney Int 1984;25:689–95.

16 Austin HA, Boumpas DT, Vaughan EM, et al. Hochrisikomerkmale von Lupusnephritis: die Bedeutung von Rasse und klinischen und histologischen Faktoren bei 166 Patienten. Nephrol Dial Transplant 1995;10:1620–8.

17 Austin HA, Boumpas DT, Vaughan EM, et al. Vorhersage der Nierenergebnisse bei schwerer Lupusnephritis: Beiträge klinischer und histologischer Daten. Kidney Int 1994;45:544–50.

18 Schwartz M. M., Bernstein J., Hill GS, et al. Vorhersagewert der Nierenpathologie bei diffuser proliferativer Lupus-Glomerulonephritis. Lupus Nephritis Collaborative Study Group. Kidney Int 1989;36:891–6.

19 Rijnink EC, Teng YKO, Wilhelmus S, et al. Klinische und histopathologische Merkmale im Zusammenhang mit renalen Folgen bei Lupusnephritis. Clin J Am Soc Nephrol 2017;12:734–43.

20 Y. Tang, W. Zhang, M. Zhu et al. Vorhersage der Lupusnephritis-Pathologie mit klinischen Indizes. Sci Rep 2018;8:10231.

21 Wolf BJ, Spainhour JC, Arthur JM, et al. Entwicklung von Biomarkermodellen zur Vorhersage von Ergebnissen bei Lupusnephritis. Arthritis Rheumatol 2016;68:1955–63.

22 Song D, Wu L-Hua, Wang F-mei, et al. Das Spektrum der renalen thrombotischen Mikroangiopathie bei Lupusnephritis. Arthritis Res Ther 2013;15:R12. am 27. Dezember 2021 durch den Gast. Urheberrechtlich geschützt.