Immunosuppressive Therapies for the Maintenance Treatment of Proliferative Lupus Nephritis: A Systematic Review and Network Metaanalysis
Notice bibliographique
Résumé
OBJECTIVE: To determine the most effective immunosuppressive therapy for the longterm management of proliferative lupus nephritis (PLN) based on the outcome of renal failure. METHODS: A systematic review of randomized controlled trials (RCT) was conducted. MEDLINE and EMBASE were searched. RCT designed to examine the maintenance treatment effectiveness of immunosuppressive agents for PLN were included. A Bayesian network metaanalysis of 2-arm and 3-arm trials was used. A skeptical prior assumption was used in sensitivity analysis. Four immunosuppressive agents were evaluated: cyclophosphamide (CYC), azathioprine (AZA), mycophenolate mofetil (MMF), and prednisone alone. The outcome of interest was renal failure during the study period, defined by serum creatinine (sCr) > 256 µmol/l, doubling of sCr from baseline, and/or endstage renal disease. RESULTS: The OR (95% credible interval) of developing renal failure at 2-3 years was 0.72 (0.11, 4.49) for AZA versus CYC, 0.32 (0.04, 2.25) for MMF versus CYC, 2.40 (0.22, 36.94) for prednisone alone versus CYC, and 0.45 (0.11, 1.48) for MMF versus AZA. The probability (95% credible interval) of developing renal failure at 2 years as expected for each agent was 6% (0.7%, 24%) for MMF, 12% (2%, 37%) for AZA, 16% (5%, 33%) for CYC, and 31% (5%, 81%) for prednisone alone. After applying a skeptical prior in the Bayesian analysis, there was no evidence of benefit for 1 therapy over another. CONCLUSION: Although the data suggest that MMF may be superior to other treatments for the maintenance treatment of PLN, the evidence is not conclusive.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».