Non‐invasive differentiation of non‐rejection kidney injury from acute rejection in pediatric renal transplant recipients
Notice bibliographique
Résumé
Acute kidney injury (AKI) is a major concern in pediatric kidney transplant recipients, where non-alloimmune causes must be distinguished from rejection. We sought to identify a urinary metabolite signature associated with non-rejection kidney injury (NRKI) in pediatric kidney transplant recipients. Urine samples (n = 396) from 60 pediatric transplant participants were obtained at time of kidney biopsy and quantitatively assayed for 133 metabolites by mass spectrometry. Metabolite profiles were analyzed via projection on latent structures discriminant analysis. Mixed-effects regression identified laboratory and clinical predictors of NRKI and distinguished NRKI from T cell-mediated rejection (CMR), antibody-mediated rejection (AMR), and mixed CMR/AMR. Urine samples (n = 199) without rejection were split into NRKI (n = 26; ΔSCr ≥25%), pre-NRKI (n = 35; ΔSCr ≥10% and <25%), and no NRKI (n = 138; ΔSCr <10%) groups. The NRKI discriminant score (dscore) distinguished between NRKI and no NRKI (AUC = 0.86; 95% CI = 0.79-0.94), confirmed by leave-one-out cross-validation (AUC = 0.79; 95% CI = 0.68-0.89). The NRKI dscore also distinguished between NRKI and pre-NRKI (AUC = 0.82; 95% CI = 0.71-0.93). In a linear mixed-effects regression model to account for repeated measures, the NRKI dscore was independent of concurrent rejection, but there was a non-statistical trend for higher dscores with rejection severity. A second exploratory classifier developed to distinguish NRKI from clinical rejection had similar test characteristics (AUC = 0.81, 95% CI = 0.70-0.92, confirmed by LOOCV). This study demonstrates the potential of a urine metabolite classifier to detect NRKI in pediatric kidney transplant patients and non-invasively discriminate NRKI from rejection.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 ».