Predictors of Good Long-Term Renal Outcomes in Lupus Nephritis: Results from a Single Lupus Cohort
Notice bibliographique
Résumé
This study aims to elucidate the predictive capabilities of proteinuria, serum creatinine (Cr), and urine RBCs (uRBCs) with respect to long-term renal outcomes in lupus nephritis (LN) in patients followed in clinic. Methods . A retrospective analysis was performed on patients with LN. We evaluated the ability of proteinuria, serum Cr, and uRBCs at 12 months to predict good long-term renal outcomes defined as serum Cr ≤ 100 mmol/L and kidney transplant/dialysis-free at the 7th year. Receiver operator characteristic curves were generated for proteinuria, serum Cr, and uRBCs to study their ability to predict good long-term outcomes and to identify their best cut-off. Descriptive statistics studied the pattern of change of proteinuria and serum Cr. Results . Proteinuria of 0.6 g/d and Cr of 83 mmol/L performed independently moderately well in predicting good long-term renal outcomes while uRBC was less accurate. Combining serum Cr to proteinuria gave a small increase in positive predictive value with a trade-off in sensitivity. Proteinuria changed within the first year whereas serum Cr changed until the 7th year. Conclusions . Both proteinuria and Cr predict good long-term renal outcomes in LN. Proteinuria’s ability to change faster at 12 months makes it a favorable endpoint for clinical trials and research studies.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».