Risk of Renal Failure Within 10 or 20 Years of Systemic Lupus Erythematosus Diagnosis
Notice bibliographique
Résumé
Objective. The frequency of endstage renal disease (ESRD) from systemic lupus erythematosus (SLE) in the United States has not improved over the last few decades in large population datasets. Understanding the risk factors for renal failure in SLE could lead to earlier detection of lupus nephritis and potentially more effective treatments in those with markers of poor prognosis. Methods. The Hopkins Lupus Cohort, comprising 2528 patients was used. One hundred fifty-one patients experienced renal failure after SLE diagnosis, defined as dialysis or renal transplant. We estimated the risk of renal failure in subgroups defined by demographics, laboratory tests, and the American College of Rheumatology/Systemic Lupus International Collaborating Clinics (ACR/SLICC) classification criteria satisfied within 1 year of SLE diagnosis. Results. The overall incidence of renal failure within 20 years of SLE diagnosis was 8.4%. The risk was much higher (20.0%) among those who experienced proteinuria within the first year of diagnosis. Demographic predictors included African American ethnicity [rate ratio (RR) 1.82, P = 0.0012] and age ≥ 40 years at SLE diagnosis (RR 0.51 vs those with diagnosis at < 30 yrs of age, P = 0.019). Among immunologic markers, low C3 was a strong predictor of renal failure (RR 2.00, P = 0.0011). Conclusion. Proteinuria within the first year of diagnosis of SLE is one of the most important predictors of ESRD. Our data also confirm African American ethnicity, younger age at SLE diagnosis, and low C3 as strong predictors of renal failure.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».