Luupusnefriidi suboptimaalse ravivastuse ennustamise tööriista väljatöötamine, kasutades diagnoosimise ajal neerude histopatoloogilisi ja kliinilisi laboratoorseid muutujaid

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

ABSTRAKTNE

EesmärkLuupusnefriit (LN) on animmuunnekompleksi vahendatud glomerulaar- ja tubulointerstitsiaalne haigus SLE-ga patsientidel. Tulemuste ennustamine LN-diagnoosi alguses võib suunata otsuseid jälgimise intensiivsuse ja ravi edukuse osas. Praegu pole masinõppe tulemuste mudelit. Mitmetes tulemuste modelleerimistöödes on kasutatud ühemõõtmelist või lineaarset modelleerimist, kuid neid piiras haiguse heterogeensus. Me oletasime, et neerupatoloogia tulemuste ja rutiinsete kliiniliste laboratoorsete andmete kombinatsiooni saab kasutada kliiniliselt olulise masinõppe varajase otsustamise tugitööriista väljatöötamiseks ja ristvalideerimiseks, mis ennustab LN-i tulemusi ligikaudu 1 aasta pärast.

meetodidSelle hüpoteesi käsitlemiseks tuvastati Lõuna-Carolina Meditsiiniülikooli prospektiivse pikisuunalise registri LN-ga patsiendid, kes osalesid aastatel 2003–2017, kui neil oli Rahvusvahelise Nefroloogia Seltsi / Neerupatoloogia Seltsi patoloogilise klassifikatsiooni alusel võetud neerubiopsia. Registreeriti kliinilised laboratoorsed väärtused diagnoosimise ajal ja tulemuste muutujad ligikaudu 1 aasta pärast. Suboptimaalsete vastuste ennustamiseks töötati välja ja ristvalideeriti masinõppe mudelid.

TulemusedFive machine learning models predicted suboptimal response status in 10 times cross-validation with receiver operating characteristics area under the curve values >0.78. Kõige ennustavamad muutujad olid interstitsiaalne põletik, interstitsiaalne fibroos, aktiivsuse skoor ja kroonilisuse skoor neerupatoloogiast ning uriini valgu ja kreatiniini suhe, valgete vereliblede arv ja hemoglobiin kliinilistest laboritest. Loodi veebipõhine tööriist, mille abil arstid saavad sisestada need algtaseme kliinilised labori- ja histopatoloogilised muutujad, et saada suboptimaalse ravivastuse tõenäosusskoor.

JäreldusArvestades haiguse esituse heterogeensust LN-s, on oluline, et riskiennustusmudelid sisaldaksid mitmeid andmeelemente. See aruanne pakub esimest korda kontseptsiooni kliinilise tõestuse tööriista, mis kasutab viit kõige ennustavamat mudelit ja lihtsustab nende mõistmist veebipõhise rakenduse kaudu.

Kontakt:joanna.jia@wecistanche.com

Cistanche herbadeserticola takistabneerudhaigus, proovi saamiseks klõpsake siin

SISSEJUHATUS

Luupusnefriit (LN) on immuunkompleksi poolt vahendatud glomerulaarne ja tubulointerstitsiaalne haigus SLE-ga patsientidel. Umbes 50 protsendil SLE-ga patsientidest areneb väljaneerudSeotud tüsistused, sealhulgas LN, ja kuni 48 protsenti difuusse proliferatiivse haigusega patsientidest võivad 5 aasta jooksul pärast diagnoosimist afroameeriklastel areneda lõppstaadiumis neeruhaiguseks.1 American College of Rheumatology (ACR) soovitab praegu ravi muuta. kui LN-ga patsiendid loetakse pärast 6-kuulist induktsioonravi mittereageerivateks.2 Arstid kasutavad mitmesuguseid seerumimarkereid, sealhulgas C3, C4, kaheahelalise DNA (anti-dsDNA) ja kreatiniini, samuti uriini valku. -kreatiniini suhe ja setted, et jälgida ravivastust, kuid ravivastust ei ole juhistes määratletud.2 Kuigi selle 6-kuulise induktsioonravi uuringu käigus võib patsientidel, kes ei reageeri, võib tekkida täiendav pöördumatu neeruhaigus. kahju. Masinõppemudelitel põhinev otsustustoetuse tööriist võib olla kasulik nende patsientide lähtenäitajate kindlaksmääramisel, kellel on väiksem tõenäosus induktsioonravile reageerida. Praegu ei ole välja töötatud kliiniliselt kasulikku 1-aastatulemuste masinõppe mudelit. Ühemõõtmeline või lineaarne modelleerimine ei ole selle heterogeense haiguse tulemusi hästi ennustanud.

Eeldasime, et neerupatoloogia tulemuste ja rutiinsete kliiniliste laboratoorsete andmete kombinatsiooni saab kasutada varajase LN-otsuse tugivahendi väljatöötamiseks ja ristvalideerimiseks, mis ennustab suboptimaalset vastust ligikaudu 1 aasta pärast LN-is.

MEETODID

Patsientide populatsioon

Patsientide andmed saadi Lõuna-Carolina meditsiiniülikooli (MUSC) kliiniliste uuringute põhikeskuse (CCCR) potentsiaalsest pikisuunalisest kohordist. CCCR-i andmebaasi sponsoreerib NIH P30 mehhanismi alusel ning see on valdavalt Aafrika-Ameerika SLE-ga patsientide pikisuunaline register ja biohoidla. MUSC reumatoloogiaspetsialist hindas ACR või SLE International Cooperating Clinics SLE kriteeriumidele vastavaid patsiente, 3 4 ja nad nõustusid kohordi registreerimisega. Prospektiivne pikisuunaline kohortide andmebaas loodi 2003. aastal. Haiguse kriteeriumid ja neerubiopsia andmed sisestati suures osas perspektiivselt, kuid mõned lisati tagasiulatuvalt diagrammi läbivaatamise teel.

cistanchesaab ravidaäge neerupuudulikkus

Kaasamise kriteeriumid

Patsiendid valiti ka juhul, kui nad olid histopatoloogiliselt läbi vaadanud Rahvusvahelise Nefroloogiaühingu/Neerupatoloogia Seltsi (ISN/RPS) aktiivse klassi, I, II, III, IV või V nefriidi kas LN esmasel esinemisel või LN-i halvenemisega, mis viitab kordusbiopsia aastatel 2003–2017.5 Uuringusse kaasati ainult need patsiendid, kellel olid neerubiopsia ajal ja ligikaudu 12 kuud (7–24 kuud) pärast neerubiopsiat olemas täielikud laboratoorsed andmed.

Laboratoorsed analüüsid

Laboratoorsed väärtused saadi standardse patsiendihoolduse osana. Testid 24-tunni uriinivalgu, valgu ja kreatiniini suhte, seerumi kreatiniini, albumiini, hemoglobiini, valgete vereliblede, trombotsüütide arvu, anti-dsDNA, C3 ja C4 määramiseks viidi läbi kliiniliste laborite täiustamise muudatuste sertifitseeritud kesklaborites. MUSC-s, LabCorpis või haiglavälistes laborites. Hinnanguline glomerulaarfiltratsiooni kiirus (eGFR) määrati, kasutadesKroonilineNeerHaigusEpidemioloogiakoostöö (CKD-EPI) võrrand.6

Patoloogia analüüs

Neerubiopsiaid luges üks kahest MUSC (SES või ETB) neerupatoloogist, kasutades 2018 muudetud ISN/RPS aktiivsust (0–24) ja kroonilisust (0–12). ) indeksi elemendid (igaüks sai 0–3 0 protsenti ,<25%, 25%–50%="" and="">50 protsenti kaasatust).5 Aktiivsusindeksisse kuuluvad endokapillaarne hüpertsellulaarsus, karüorrheksia, fibrinoidne nekroos, hüaliini ladestused, rakulised või fibroidsed tsellulaarsed poolkuud ja interstitsiaalne põletik. Poolkuu ja nekroosi hinded kahekordistati. Kroonilisuse indeksisse kuulusid glomeruloskleroosi koguskoor, kiulised poolkuud, tubulaarne atroofia ja interstitsiaalne fibroos.

Andmetöötlus

CCCR-i andmebaasi andmed lisati transkriptsioonivigade kõrvaldamiseks otse REDCapi andmebaasi, kasutades andmeedastusteenust7. Mõned laboriväärtused eraldati elektroonilise haigusloo diagrammi ja skaneeritud laboriaruannete läbivaatamise teel ning sisestati käsitsi andmebaasi. Transkriptsioonivea olemasolu tagamiseks viidi läbi abstraktsete andmete viieprotsendiline topeltsisestamine<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

Statistiline analüüs

Tulemusmuutuja oli suutmatus täielikult ravile reageerida ligikaudu 1 aasta pärast. See ajahetk valiti, kuna 1-aastase ravivastuse muutujad ennustavad MAINTAIN ja Euro-Lupus Nefriidi uuringutes pikaajalisi ravivastuse aastaid.8 Vastus määratleti ACR-i vastuse kriteeriumide muutmisega.9 Nende kriteeriumide muudatused. on varem kirjeldanud Wofsy et al. 10 Lühidalt öeldes hõlmab see modifitseeritud täielik reaktsioon uriini valgu ja kreatiniini suhte saavutamist<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="">

Selle uuringu eesmärk oli tuvastada patsientide demograafiliste andmete ning laboratoorsete ja biopsia algandmete põhjal ennustajate tagasihoidlik alamhulk, mis andis ligikaudu 1 aasta möödudes häid ennustusomadusi suboptimaalse vastuse mitme muutujaga ennustusmudelite jaoks. Selles uuringus käsitletud mitme muutujaga klassifikatsioonimudelid hõlmasid logistilist regressiooni (LR), klassifikatsiooni- ja regressioonipuid (CART), juhuslikku metsa (RF), lineaarsete, polünoomiliste ja Gaussi tuumadega tugivektori masinaid (vastavalt SVML, SVMP ja SVMR), naiivsed Bayes (NB) ja tehisnärvivõrgud (ANN). RF-mudelid sobitati paketi "randomForest" abil; LR mudelid sobitati, kasutades pakette "statistika"; SVM-id ja NB-mudelid sobitasid paketiga 'e1071'; ANN-i mudelid sobitati R-s saadaoleva võrguga.{2}} Erinevate vaadeldavate mudelite häälestusparameetrid valiti enne mudelite väljatöötamist. Kaaluti kõigi kuni 20 muutuja kombinatsioonide esialgset põhjalikku otsingut. Selle otsingu tulemused näitasid aga, et parim keskmine jõudlus ilmnes siis, kui mudelid sisaldasid kaheksat muutujat (veebipõhine lisajoonis 2). Seega viidi muutujate valik läbi kaheksa või vähema ennustaja kõigi alamhulkade põhjaliku uurimise abil. Seda läviarvu arvestati kõigi modelleerimismeetodite puhul, et muuta mudelid kiires kliinilises keskkonnas kasulikumaks. Täpsemalt, iga mudeli ennustajate alamhulga prognoosimise toimivus viidi läbi, kasutades 10-kordse ristvalideerimise (CV) meetodit. Kümnekordne CV jagab andmed 10 alamhulgaks. Mudeleid koolitatakse, kasutades 9/10 andmetest ja testitakse ülejäänud 1/10 andmetega ning seda korratakse iga alamhulga puhul. Kõveraalune ristvalideeritud pindala (cvAUC) on keskmine AUC, mis arvutatakse iga mudeli väljatöötamise käigus välja jäetud 1/10 andmete alamhulga jaoks ja on osutunud tugevamaks kui ühe treeningu-testi komplekti lähenemisviisi kasutamine. 13 Eesmärk oli tuvastada väike ennustajate alamhulk, millel on mudelite lõikes hea ennustusjõudlus.14 Ennustuste toimivust mõõdeti 10-kordse cvAUC-ga ja kaheksast muutujast koosnev parim alamhulk valiti alamhulgaks, mille tulemuseks oli kõrgeim keskmine. cvAUC kõigis mudelites. Tundlikkus, spetsiifilisus, positiivne ennustusväärtus ja negatiivsed ennustusväärtused määrati iga mudeli poolt tagastatud mittereageerimise prognoositava tõenäosuse valitud lävede jaoks. Kõik analüüsid viidi läbi R V.4.0.2-s. Valitud mudelite põhjal loodi R-Shiny veebipõhine tööriist.

TULEMUSED

Registris oli 149 patsiendil aastatel 2003–2017 saadaval neerubiopsia teave. Neist 83 LN-ga patsiendil olid neeruvastuse algtaseme ja ligikaudu 1-aastased jälgimisandmed vahemikus 7,5 kuni 24 kuud (veebipõhine lisajoonis 1) . Kolm koos järelkontrolliga<7 months="" and="" four="" with="" follow-up="">2 aastat jäeti välja. Ligikaudu pooled osalejatest klassifitseeriti 1 aasta pärast mitteoptimaalseteks reageerijateks. Osalejate omadused ravivastuse järgi on esitatud tabelis 1.

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 sisaldas LR-, RF-, SVML-, SVMR- ja ANN-mudeleid. Tabel 3 näitab cvAUC-de ja ennustajate alamhulka viie kõrge cvAUC-ga mudeli jaoks. Tabelis 4 on näidatud iga mudeli tundlikkus ja spetsiifilisus ning see põhineb kõigi viie mudeli keskmisel ennustusel iga kolme künnise juures. Interstitsiaalne põletik oli kõige järjekindlam ennustaja ja see sisaldub kõigis viies mudelis. Aktiivsusskoor ja interstitsiaalne fibroos olid samuti suhteliselt ühtlased ja kaasati kõigisse, välja arvatud RF-mudelisse. Vastuvõtja tööomaduste (ROC) kõverad, mis põhinevad kõigi viie valitud mudeli 10-kordsel CV ennustusel, on näidatud joonisel 1. Joonisel 2 on kujutatud kõigi mudelitel põhinevate mudelite keskmise jõudlus (tundlikkus ja spetsiifilisus). valitud ennustuslävel. Kõikidel CART-, SVMP- ja NB-mudelitel olid cvAUC-id<0.7 and="" were="" excluded="" from="" further="">

Kasutades seitset kõige ühtsemat muutujat, loodi kliinilise tööriistana R shinyga veebipõhine rakendus, mille leiate siit: (https://histologyapp. shinyapps.io/LN_histology{{2 }}ennustus_tööriist/). Rakenduses kuvatakse vaikimisi patsiendi andmete näide. Uue patsiendi hindamiseks saavad kasutajad sisestada biopsia ajal saadud histoloogilised ja kliinilised laboratoorsed väärtused. Saadud graafik kujutab värviliste punktidena iga mudeli eeldatavat mittereageerimise tõenäosust läve 0,5 juures. Iga punkti suurus peegeldab ROC AUC valideerimiskomplektis. Ülevaatelehel olevad kastigraafikud näitavad suboptimaalse ravivastuse tõenäosusskooride mediaani (joont), IQR-i (kast) ning 25. ja 75. protsentiili ±1,5 korda IQR-i (vurrud) üksikutel patsientidel ravile reageerivate ja mittereageerivate rühmades. valideerimiskomplektides (kujutatud ka joonisel 2A). Iga värviline punkt tähistab patsiendi ühe mudeli ennustust, mida vaadeldakse valideerimiskomplekti mudeli toimimise kontekstis. Must "X" tähistab kõigi viie mudeli keskmist prognoositud mittereageerimise tõenäosust.

ARUTELU

Meie uuring näitas, et masinõpet saab kasutada ristvalideeritud mudelite väljatöötamiseks, mis ennustavad hästi suboptimaalset ravivastust LN-ga patsientidel, kes on valdavalt Aafrika päritolu. Need mudelid töötati välja, kasutades diagnoosimise ajal kergesti kättesaadavaid kliinilisi labori- ja histopatoloogilisi elemente. Üksikute histopatoloogiliste tunnuste kasulikkust difuusse proliferatiivse luupusnefriidi tulemuste ennustamiseks on hästi kirjeldatud. Varasemad tööd on näidanud kombineeritud aktiivsusindeksi skoori ennustavat tugevust progresseerumisel neerupuudulikkuseni, kusjuures aktiivsuse individuaalsed histoloogilised tunnused, nagu rakulised poolkuud ja fibrinoidne nekroos, näitavad positiivset seost neerupuudulikkusega.15 Kroonilisuse indeksi ja individuaalsete tunnuste, näiteks kuna interstitsiaalne fibroos, glomerulaarskleroos ja kiulised poolkuud olid samuti ennustavad, kusjuures tubulaarsed atroofilised muutused olid neerupuudulikkuseks progresseerumise suhtes eriti suure ennustava väärtusega.15 Kliiniliste andmete elementide, eriti seerumi kreatiniini, hematokriti ja rassi lisamine histoloogiliste tunnuste tõttu paranes ennustamine järgnevas töös, samas kui teised uuringud näitasid, et eraldiseisvate aktiivsuse või kroonilisuse indeksite kasutamine ei olnud vastuse ennustamiseks piisav. 16–19 Hiljutised masinõppe lähenemisviisid on kasutanud multilineaarset regressiooni ja juhuslikku metsade modelleerimist, et ennustada patoloogilist klassifikatsiooni, aktiivsust ja kroonilisust kliiniliste laboratoorsete väärtuste põhjal ning need on näidanud paljulubavust.20 See uuring laiendab seda lähenemisviisi, kasutades patoloogilisi muutujaid, et ennustada tulemust ligikaudu 1 aasta.

draakoniürtide cistanche neerude jaoks

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 viies mudelis. See uuring on ainulaadne selle poolest, et masinõppemudelites kasutati individuaalse aktiivsuse ja kroonilisuse skoori elemente. Seda toetab eelnev kirjandus, mis kirjeldab nende kasutamist individuaalselt.15

Selle prognoosimise modelleerimise tulemusi tuleks tõlgendada õiges kliinilises kontekstis. Kõrge interstitsiaalse fibroosi esinemine madala aktiivsuse skooriga on tõenäoliselt indikatiivne krooniline vigastus, mille puhul kasutatakse immunosupressiooni pigem edasise halvenemise vältimiseks kui neerufunktsiooni taastamiseks. Neerufunktsiooni parandamiseks või säilitamiseks võib kõrge aktiivsuse skooriga inimestele siiski läheneda kombineeritud immunosupressiivsete ravimeetoditega või jälgida teise rea ravide lisamist varem. Arvestades, et need andmed olid tagasiulatuvad, ei tea me, kas ennustuste kasutamine induktsioonravi otsuste suunamiseks muudab tulemusi. Nagu autoimmuunhaigusega patsientide ravimisel sageli juhtub, ei oleks kliinikul asjakohane teha otsuseid ravi valikul selle prognoosi skoori põhjal, võtmata arvesse kliinilist konteksti. Siiski võib ravivastuse ennustust kasutada reageerimise ja ravi koordineerimise jälgimise sageduse muutmiseks, et tagada ravimite järgimine.

Seda võiks kaaluda ka otsustes lisada või muuta ravi ravivastuse puudumise tõttu varasematel ajahetkedel kui ACR-i juhiste kohaselt soovitatud 6 kuud.

Sellel uuringul on mitmeid piiranguid. Tulemuste modelleerimiseks kasutatud teave pärines peamiselt Aafrika päritolu patsientidelt. Seetõttu võib kasutamine kliinilises praktikas piirduda selle demograafilise teabega. Kuigi selle uuringu pikisuunalised andmed koguti perspektiivselt, oli analüüs retrospektiivne. Kuigi trombootilist mikroangiopaatiat on seostatud varasemate uuringute tulemustega22, piiras selle leiuga biopsiate arv (viis) selle olulisust mudelites. Siin esitatud otsustusabi ei ole perspektiivselt kasutatud selleks, et teha kindlaks, kas ennustusskooride põhjal ravistrateegia muutmine parandab tulemusi. Seda ei ole pikaajaliste tulemuste prognoosimisel hinnatud ja seetõttu ei tohiks seda kasutada > 1-aasta tulemuste ennustamiseks. Siiski on 1-aasta tulemusi seostatud MAINTAIN ja Euro-Lupus Nephritis uuringute pikaajaliste tulemustega.8 Patsientide valimine sellesse uuringusse võib moonutada tulemusi. Näiteks saavad need, kellel on kiiremini progresseeruv neeruhaigus, suurema tõenäosusega biopsia. Need, kelle haigusloos on algtaseme ja ligikaudu 1-aastane jälgimisperiood, võivad olla kalduvad soodsamatele tulemustele. Me ei saanud rangelt uurida ravimite mõju tulemustele, kuna enamik patsiente sai mükofenolaati või mükofenoolhapet.

Arvestades haiguse esituse heterogeensust LN-s, on oluline, et riskiennustusmudelid sisaldaksid mitmeid andmeelemente. See aruanne pakub esimest korda kliinilist tööriista, mis kasutab viit kõige ennustavamat mudelit ja lihtsustab nende mõistmist veebipõhise rakenduse kaudu. Siin pakutud ennustusmudelitega tutvustame kontseptsiooni tõendit tööriista kohta, mis võib teavitada nii jälgimise sagedust kui ka hõlbustada arutelusid patsientidega ravi valiku üle. Hoolduse koordineerimise hoolikam jälgimine või kasutuselevõtt nende jaoks, kelle ravivastus eeldatavasti ei ole optimaalne, võib tulemusi parandada, kuid seda tuleks tulevikus katsetada.

akteosiidsissecistancheavaldavad head mõjuneerud

VIITED

1 Dooley MA, Hogan S, Jennette C jt. Tsüklofosfamiidravi luupusnefriidi korral: mustanahaliste ameeriklaste halb neerude elulemus. glomerulaarhaiguste koostöövõrgustik. Kidney Int 1997;51:1188–95.

2 Hahn BH, McMahon MA, Wilkinson A, et al. American College of Rheumatology juhised luupusnefriidi skriinimiseks, raviks ja juhtimiseks. Arthritis Care Res 2012;64:797–808.

3 Hochberg MC. American College of Rheumatology ajakohastamine muutis süsteemse erütematoosluupuse klassifitseerimise kriteeriume. Arthritis Rheum 1997;40:1725.

4 Isenberg D, Wallace DJ, Nived O. Süsteemse luupuse rahvusvaheliste koostöökliinikute klassifitseerimiskriteeriumide tuletamine ja valideerimine süsteemse erütematoosluupuse jaoks. Rheum artriit 2012;64.

5 Bajema IM, Wilhelmus S, Alpers CE jt. Rahvusvahelise Nefroloogia Seltsi/Neerupatoloogia Seltsi klassifikatsiooni läbivaatamine luupusnefriidi kohta: definitsioonide selgitamine ja muudetud riiklikud terviseaktiivsuse ja kroonilisuse indeksid. Kidney Int 2018;93:789–96.

6 Pei X, Yang W, Wang S jt. Matemaatiliste algoritmide kasutamine glomerulaarfiltratsiooni kiiruse hindamise võrrandite muutmiseks. PLoS One 2013;8:e57852.

7 Harris PA, Taylor R, Thielke R jt. Teadusuuringute elektrooniline andmehõive (REDCap)--metaandmetel põhinev metoodika ja töövooprotsess translatiivse uurimisinformaatika toe pakkumiseks. J Biomed Inform 2009;42:377–81.

8 Ugolini-Lopes MR, Seguro LPC, Castro MXF jt. Varajane proteinuuria vastus: kehtiv reaalse elu olukorra ennustaja pikaajalise luupuse neerutulemuse kohta etniliselt mitmekesises rühmas, kellel on raske biopsiaga tõestatud nefriit. Lupus Sci Med 2017; 4:e000213.

9 Ameerika reumatoloogiakolledži neeruhaiguste allkomitee süsteemse erütematoosluupuse reaktsioonikriteeriumide ad hoc komitee. American College of Rheumatology vastusekriteeriumid proliferatiivse ja membraanse neeruhaiguse jaoks süsteemse erütematoosluupuse kliinilistes uuringutes. Arthritis Rheum 2006;54:421–32. 27. detsembril 2021 külalise poolt. Autoriõigusega kaitstud. 24. augustil 2021. Allalaaditud saidilt 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. Luupusnefriidi kliinilistes uuringutes kasutatavate alternatiivsete esmaste tulemusnäitajate võrdlus. Artriit Rheum 2013;65:1586–91.

11 Team RC. Statistilise andmetöötluse keel ja keskkond, 2020. Saadaval:

12 Liaw A, Wiener M. Klassifikatsioon ja regressioon juhusliku metsa järgi. R Uudised 2002;2:18–22.

13 Hastie T, Tibshirani R, Friedman JH. Statistilise õppe elemendid: andmekaeve, järeldused ja ennustamine: 200 täisvärvilise illustratsiooniga. New York: Springer, 2001.

14 LeDell E, Petersen M, van der Laan M. ROC curve hinnangute ristvalideeritud ala arvutuslikult tõhusad usaldusvahemikud. Electron J Stat 2015;9:1583–607.

15 Austin HA, Muenz LR, Joyce KM jt. Hajus proliferatiivne luupusnefriit: neerude tulemust mõjutavate spetsiifiliste patoloogiliste tunnuste tuvastamine. Kidney Int 1984;25:689–95.

16 Austin HA, Boumpas DT, Vaughan EM, et al. Lupusnefriidi kõrge riskiga tunnused: rassi ning kliiniliste ja histoloogiliste tegurite tähtsus 166 patsiendil. Nephrol Dial Transplant 1995;10:1620–8.

17 Austin HA, Boumpas DT, Vaughan EM, et al. Neerude tulemuste ennustamine raske luupusnefriidi korral: kliiniliste ja histoloogiliste andmete panus. Kidney Int 1994;45:544–50.

18 Schwartz MM, Bernstein J, Hill GS et al. Neerupatoloogia ennustav väärtus difuusse proliferatiivse luupusglomerulonefriidi korral. luupusnefriit koostööga tegelev uurimisrühm. Kidney Int 1989;36:891–6.

19 Rijnink EC, Teng YKO, Wilhelmus S jt. Luupusnefriidi neerude tagajärgedega seotud kliinilised ja histopatoloogilised omadused. Clin J Am Soc Nephrol 2017;12:734–43.

20 Tang Y, Zhang W, Zhu M jt. Luupusnefriidi patoloogia prognoos kliiniliste näitajatega. Sci Rep 2018;8:10231.

21 Wolf BJ, Spainhour JC, Arthur JM jt. Biomarkeri mudelite väljatöötamine luupusnefriidi tulemuste ennustamiseks. Artriit Rheumatol 2016;68:1955–63.

22 Laul D, Wu L-Hua, Wang F-mei jt. Neeru trombootilise mikroangiopaatia spekter luupusnefriidi korral. Arthritis Res Ther 2013;15:R12. 27. detsembril 2021 külalise poolt. Autoriõigusega kaitstud.