An update on predicting renal progression in IgA nephropathy
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Immunoglobulin A (IgA) nephropathy (IgAN) is a heterogeneous disease, and predicting individual patient risk of renal progression is challenging. Recent studies provide new evidence regarding the use of clinical, histologic, and biomarker predictors of renal outcome in IgAN. RECENT FINDINGS: A meta-analysis of clinical trials demonstrated that early change in proteinuria is a valid surrogate outcome measure for longer term decline in renal function, which supports the use of proteinuria to dynamically re-evaluate patient prognosis over time. The MEST histologic classification has been further validated in a large European cohort. An international multiethnic observational study demonstrated that crescents are independently associated with renal outcome, and as a result a crescent score (<25% versus >25% of glomeruli) has been added to MEST. Proteinuria, estimated glomerular filtration rate (GFR), and blood pressure at the time of biopsy can be used to accurately predict prognosis when combined with MEST, instead of using 2 years of follow-up data. Currently, no available risk prediction model that combines clinical and histologic predictors has been sufficiently validated for routine use. There are multiple biomarkers that have been studied in IgAN, however none have been externally validated and shown to improve prediction beyond clinical and histologic risk factors. SUMMARY: Proteinuria, estimated GFR, blood pressure, and the MEST-C score are the most readily available risk factors to predict renal prognosis in IgAN. Future research is required to develop and validate methods of integrating these risk factors together to accurately risk stratify individual patients, and provide the framework for evaluating biomarkers capable of further improving risk prediction.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,002 |
| 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 ».