Family History of Renal Disease Severity Predicts the Mutated Gene in ADPKD
Notice bibliographique
Résumé
Mutations of PKD1 and PKD2 account for 85 and 15% of cases of autosomal dominant polycystic kidney disease (ADPKD), respectively. Clinically, PKD1 is more severe than PKD2, with a median age at ESRD of 53.4 versus 72.7 yr. In this study, we explored whether a family history of renal disease severity predicts the mutated gene in ADPKD. We examined the renal function (estimated GFR and age at ESRD) of 484 affected members from 90 families who had ADPKD and whose underlying genotype was known. We found that the presence of at least one affected family member who developed ESRD at age < or =55 was highly predictive of a PKD1 mutation (positive predictive value 100%; sensitivity 72%). In contrast, the presence of at least one affected family member who continued to have sufficient renal function or developed ESRD at age >70 was highly predictive of a PKD2 mutation (positive predictive value 100%; sensitivity 74%). These data suggest that close attention to the family history of renal disease severity in ADPKD may provide a simple means of predicting the mutated gene, which has prognostic implications.
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 | 0,000 | 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 | 0,001 |
| 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 ».