Predicting Post-Transplant Recurrence of IgA Nephropathy: The Importance of Crescents
Notice bibliographique
Résumé
BACKGROUND: Most studies that have assessed the predictors of recurrent IgA nephropathy (IgAN) in the renal allograft have focused on post-transplant features. Identifying high-risk pre-transplant features of IgAN is useful for counseling patients and may help in tailoring post-transplant immunosuppression. METHODS: We investigated the pre-transplant clinical and biopsy features of 62 patients with IgAN who received transplants at Columbia University Medical Center from 2001 to 2012 and compared the characteristics and outcomes of patients with IgAN recurrence to those without recurrence. The primary outcome was time to recurrent IgAN. Secondary outcomes were a composite of doubling of creatinine or allograft failure, and recurrent IgAN as a cause of allograft dysfunction. RESULTS: Of the 62 patients, 14 had recurrent IgAN in the allograft. Mean time to recurrence was 2.75 years. Those with recurrent disease were younger at the time of native kidney biopsy (29 vs. 41 years, p < 0.0009). Black race and Hispanic ethnicity composed a higher proportion of the recurrent disease group. On multivariable analysis, significant predictors of recurrent IgAN included age at diagnosis (hazards ratio (HR) 0.911, 95% CI 0.85-0.98), burden of crescents on native biopsy (HR 1.21 per 10% increase in crescents, 95% CI 1.00-1.47) and allograft rejection (HR 3.59, 95% CI 1.10-11.7). CONCLUSIONS: Features of native IgAN can help predict the risk of recurrent disease in the renal allograft. In particular, immunologically active disease represented by earlier age of onset and greater burden of crescents on native biopsy is more likely to recur after transplant.
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) | 0,001 | 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 ».