Detecting Renal Allograft Inflammation Using Quantitative Urine Metabolomics and CXCL10
Notice bibliographique
Résumé
BACKGROUND: The goal of this study was to characterize urinary metabolomics for the noninvasive detection of cellular inflammation and to determine if adding urinary chemokine ligand 10 (CXCL10) improves the overall diagnostic discrimination. METHODS: Urines (n = 137) were obtained before biopsy in 113 patients with no (n = 66), mild (borderline or subclinical; n = 58), or severe (clinical; n = 13) rejection from a prospective cohort of adult renal transplant patients (n = 113). Targeted, quantitative metabolomics was performed with direct flow injection tandem mass spectrometry using multiple reaction monitoring (ABI 4000 Q-Trap). Urine CXCL10 was measured by enzyme-linked immunosorbent assay. A projection on latent structures discriminant analysis was performed and validated using leave-one-out cross-validation, and an optimal 2-component model developed. Chemokine ligand 10 area under the curve (AUC) was determined and net reclassification index and integrated discrimination index analyses were performed. RESULTS: PLS2 demonstrated that urinary metabolites moderately discriminated the 3 groups (Cohen κ, 0.601; 95% confidence interval [95% CI], 0.46-0.74; P < 0.001). Using binary classifiers, urinary metabolites and CXCL10 demonstrated an AUC of 0.81 (95% CI, 0.74-0.88) and 0.76 (95% CI, 0.68-0.84), respectively, and a combined AUC of 0.84 (95% CI, 0.78-0.91) for detecting alloimmune inflammation that was improved by net reclassification index and integrated discrimination index analyses. Urinary CXCL10 was the best univariate discriminator, followed by acylcarnitines and hexose. CONCLUSIONS: Urinary metabolomics can noninvasively discriminate noninflamed renal allografts from those with subclinical and clinical inflammation, and the addition of urine CXCL10 had a modest but significant effect on overall diagnostic performance. These data suggest that urinary metabolomics and CXCL10 may be useful for noninvasive monitoring of alloimmune inflammation in renal transplant patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».