Non‐invasive staging of chronic kidney allograft damage using urine metabolomic profiling
Notice bibliographique
Résumé
Chronic kidney allograft damage is characterized by IFTA and GS. We sought to identify urinary metabolite signatures associated with severity of IFTA and GS in pediatric kidney transplant recipients. Urine samples (n = 396) from 60 pediatric transplant recipients were obtained at the time of kidney biopsy and assayed for 133 metabolites by mass spectrometry. Metabolite profiles were quantified via PLS-DA. We used mixed-effects regression to identify laboratory and clinical predictors of histopathology. Urine samples (n = 174) without rejection or AKI were divided into training/validation sets (75:25%). Metabolite classifiers trained on IFTA severity and %GS showed strong statistical correlation (r = .73, P < .001 and r = .72; P < .001, respectively) and remained significant on the validation sets. Regression analysis identified additional clinical features that improved prediction: months post-transplant (GS, IFTA); and proteinuria, GFR, and age (GS only). Addition of clinical variables improved performance of the %GS classifier (AUC = 0.9; 95% CI = 0.85-0.96) but not for IFTA (AUC = 0.82; 95% CI = 0.71-0.92). Despite the presence of potentially confounding phenotypes, these findings were further validated in samples withheld for rejection or AKI. We identify urine metabolite classifiers for IFTA and GS, which may prove useful for non-invasive assessment of histopathological damage.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».