Urine proteomics for prediction of disease progression in patients with IgA nephropathy
Notice bibliographique
Résumé
BACKGROUND: Risk of kidney function decline in immunoglobulin A (IgA) nephropathy (IgAN) is significant and may not be predicted by available clinical and histological tools. To serve this unmet need, we aimed at developing a urinary biomarker-based algorithm that predicts rapid disease progression in IgAN, thus enabling a personalized risk stratification. METHODS: In this multicentre study, urine samples were collected in 209 patients with biopsy-proven IgAN. Progression was defined by tertiles of the annual change of estimated glomerular filtration rate (eGFR) during follow-up. Urine samples were analysed using capillary electrophoresis coupled mass spectrometry. The area under the receiver operating characteristic curve (AUC) was used to evaluate the risk prediction models. RESULTS: Of the 209 patients, 64% were male. Mean age was 42 years, mean eGFR was 63 mL/min/1.73 m2 and median proteinuria was 1.2 g/day. We identified 237 urine peptides showing significant difference in abundance according to the tertile of eGFR change. These included fragments of apolipoprotein C-III, alpha-1 antitrypsin, different collagens, fibrinogen alpha and beta, titin, haemoglobin subunits, sodium/potassium-transporting ATPase subunit gamma, uromodulin, mucin-2, fractalkine, polymeric Ig receptor and insulin. An algorithm based on these protein fragments (IgAN237) showed a significant added value for the prediction of IgAN progression [AUC 0.89; 95% confidence interval (CI) 0.83-0.95], as compared with the clinical parameters (age, gender, proteinuria, eGFR and mean arterial pressure) alone (0.72; 95% CI 0.64-0.81). CONCLUSIONS: A urinary peptide classifier predicts progressive loss of kidney function in patients with IgAN significantly better than clinical parameters alone.
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) | 0,000 | 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 ».