Evaluating the accuracy of functional biomarkers for detecting histological changes in chronic allograft nephropathy
Notice bibliographique
Résumé
The most common cause of late kidney transplant failure is chronic allograft nephropathy (CAN). Much research has focused on identifying biomarkers (or correlates) that would predict subsequent CAN and allow timely intervention. Functional biomarkers such as serum creatinine and estimated glomerular filtration rate (eGFR) have been widely adopted, even though they have not been rigorously evaluated as surrogate markers. This study evaluated serum creatinine and eGFR for predicting the early histopathological changes seen in transplant protocol biopsies (TPB). We prospectively followed 289 kidney transplant patients in the Southern Alberta Transplant Program who had TPB at 6-12 months post-transplant. Tissue samples (n = 280) were independently examined by renal pathologists. The ability of serum creatinine or eGFR to predict the threshold level for abnormal histopathology was evaluated by calculating the area under the receiver operator characteristic curve. Serum creatinine and eGFR had poor predictive value (most confidence intervals included 0.5, indicating no predictive ability) for ten individual histological measurements (Banff 97 scores), and the Chronic Allograft Damage Index. We conclude that serum creatinine and eGFR have a limited clinical role in predicting the early histopathological changes that precede CAN and should not be used for this purpose.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».