Establishing Surrogate Kidney End Points for Lupus Nephritis Clinical Trials: Development and Validation of a Novel Approach to Predict Future Kidney Outcomes
Notice bibliographique
Résumé
OBJECTIVE: End points currently used in lupus nephritis (LN) clinical trials lack uniformity and questionably reflect long-term kidney survival. This study was undertaken to identify short-term end points that predict long-term kidney outcomes for use in clinical trials. METHODS: A database of 944 patients with LN was assembled from 3 clinical trials and 12 longitudinal cohorts. Variables from the first 12 months of treatment after diagnosis of active LN (prediction period) were assessed as potential predictors of long-term outcomes in a 36-month follow-up period. The long-term outcomes examined were new or progressive chronic kidney disease (CKD), severe kidney injury (SKI), and the need for permanent renal replacement therapy (RRT). To predict the risk for each outcome, hazard index tools (HITs) were derived using multivariable analysis with Cox proportional hazards regression. RESULTS: Among 550 eligible subjects, 54 CKD, 55 SKI, and 22 RRT events occurred. Variables in the final CKD HIT were prediction-period CKD status, 12-month proteinuria, and 12-month serum creatinine level. The SKI HIT variables included prediction-period CKD status, International Society of Nephrology (ISN)/Renal Pathology Society (RPS) class, 12-month proteinuria, 12-month serum creatinine level, race, and an interaction between ISN/RPS class and 12-month proteinuria. The RRT HIT included age at diagnosis, 12-month proteinuria, and 12-month serum creatinine level. Each HIT validated well internally (c-indices 0.84-0.92) and in an independent LN cohort (c-indices 0.89-0.92). CONCLUSION: HITs, derived from short-term kidney responses to treatment, correlate with long-term kidney outcomes, and now must be validated as surrogate end points for LN clinical trials.
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 | 0,008 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,000 | 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 ».