Urinary Biomarkers in Relapsing Antineutrophil Cytoplasmic Antibody-associated Vasculitis
Notice bibliographique
Résumé
OBJECTIVE: Glomerulonephritis (GN) is common in antineutrophil cytoplasmic antibody (ANCA)-associated vasculitis (AAV), but tools for early detection of renal involvement are imperfect. We investigated 4 urinary proteins as markers of active renal AAV: alpha-1 acid glycoprotein (AGP), kidney injury molecule-1 (KIM-1), monocyte chemoattractant protein-1 (MCP-1), and neutrophil gelatinase-associated lipocalin (NGAL). METHODS: Patients with active renal AAV (n = 20), active nonrenal AAV (n = 16), and AAV in longterm remission (n = 14) were identified within a longitudinal cohort. Urinary biomarker concentrations (by ELISA) were normalized for urine creatinine. Marker levels during active AAV were compared to baseline remission levels (from 1-4 visits) for each patient. Areas under receiver-operating characteristic curves (AUC), sensitivities, specificities, and likelihood ratios (LR) comparing disease states were calculated. RESULTS: Baseline biomarker levels varied among patients. All 4 markers increased during renal flares (p < 0.05). MCP-1 discriminated best between active renal disease and remission: a 1.3-fold increase in MCP-1 had 94% sensitivity and 89% specificity for active renal disease (AUC = 0.93, positive LR 8.5, negative LR 0.07). Increased MCP-1 also characterized 50% of apparently nonrenal flares. Change in AGP, KIM-1, or NGAL showed more modest ability to distinguish active renal disease from remission (AUC 0.71-0.75). Hematuria was noted in 83% of active renal episodes, but also 43% of nonrenal flares and 25% of remission samples. CONCLUSION: Either urinary MCP-1 is not specific for GN in AAV, or it identifies early GN not detected by standard assessment and thus has potential to improve care. A followup study with kidney biopsy as the gold standard is needed.
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) | 0,001 | 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 | 0,001 |
| 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 ».