Urine Biomarkers to Predict Response to Lupus Nephritis Therapy in Children and Young Adults
Notice bibliographique
Résumé
OBJECTIVE: To delineate urine biomarkers that forecast response to therapy of lupus nephritis (LN). METHODS: Starting from the time of kidney biopsy, patients with childhood-onset systemic lupus erythematosus who were diagnosed with LN were studied serially. Levels of 15 biomarkers were measured in random spot urine samples, including adiponectin, α-1-acid glycoprotein (AGP), ceruloplasmin, hemopexin, hepcidin, kidney injury molecule 1, monocyte chemotactic protein-1, lipocalin-like prostaglandin D synthase (LPGDS), transforming growth factor-β (TGF-β), transferrin, and vitamin D binding protein (VDBP). RESULTS: Among 87 patients (mean age 15.6 yrs) with LN, there were 37 treatment responders and 50 nonresponders based on the American College of Rheumatology criteria. At the time of kidney biopsy, levels of TGF-β (p < 0.0001) and ceruloplasmin (p = 0.006) were significantly lower among responders than nonresponders; less pronounced differences were present for AGP, hepcidin, LPGDS, transferrin, and VDBP (all p < 0.05). By Month 3, responders experienced marked decreases of adiponectin, AGP, transferrin, and VDBP (all p < 0.01) and mean levels of these biomarkers were all outstanding (area under the receiver-operating characteristic curve ≥ 0.9) for discriminating responders from nonresponders. Patient demographics and extrarenal disease did not influence differences in biomarker levels between response groups. CONCLUSION: Low urine levels of TGF-β and ceruloplasmin at baseline and marked reduction of AGP, LPGDS, transferrin, or VDBP and combinations of other select biomarkers by Month 3 are outstanding predictors for achieving remission of LN. If confirmed, these results can be used to help personalize LN therapy.
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 | 0,003 | 0,002 |
| 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 | 0,001 | 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 ».