Urine biomarkers of renal renin–angiotensin system activity: Exploratory analysis in humans with and without obstructive sleep apnea
Notice bibliographique
Résumé
Obstructive sleep apnea (OSA) may contribute to kidney injury by activation of the renin–angiotensin system (RAS), which is reduced by continuous positive airway pressure (CPAP) therapy. A biomarker in the urine that reflects renal RAS activity could identify patients at risk of kidney injury and monitor their response to CPAP therapy. Nine patients with OSA and six matched control subjects without OSA were recruited. Renal RAS activity was measured by the renovasoconstrictor response to Angiotensin II challenge, a validated marker of RAS activity, and urine samples were collected in all subjects at baseline and repeated in those with OSA following treatment with CPAP. A broad range (1,310) of urine analytes was measured including 26 associated with the RAS signaling pathway. The OSA group was a similar age and weight as the control group (48.7 ± 10.4 vs. 47.7 ± 9.3 yrs; BMI 36.9 ± 7.2 vs. 34.7 ± 2.5 kg/m2) and had severe sleep apnea (ODI 51.1 ± 26.8 vs. 4.3 ± 2/hour) and nocturnal hypoxemia (mean SaO2 87 ± 5.2 vs. 92.6 ± 1.1%). CPAP corrected OSA associated with a return of the renovasocontrictor response to Angiotensin II to control levels. Partial least squares (PLS) logistic regression analysis showed significant separation between pre- and post-CPAP levels (p < .002) when all analytes were used, and a strong trend when only RAS-associated analytes were used (p = .05). These findings support the concept that urine analytes may be used to identify OSA patients who are susceptible to kidney injury from OSA before renal function deteriorates and to monitor the impact of CPAP therapy on renal RAS activity.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».