Biomarkers of inflammation and repair in kidney disease progression
Notice bibliographique
Résumé
INTRODUCTIONAcute kidney injury and chronic kidney disease (CKD) are common in hospitalized patients. To inform clinical decision making, more accurate information regarding risk of long-term progression to kidney failure is required.METHODSWe enrolled 1538 hospitalized patients in a multicenter, prospective cohort study. Monocyte chemoattractant protein 1 (MCP-1/CCL2), uromodulin (UMOD), and YKL-40 (CHI3L1) were measured in urine samples collected during outpatient follow-up at 3 months. We followed patients for a median of 4.3 years and assessed the relationship between biomarker levels and changes in estimated glomerular filtration rate (eGFR) over time and the development of a composite kidney outcome (CKD incidence, CKD progression, or end-stage renal disease). We paired these clinical studies with investigations in mouse models of renal atrophy and renal repair to further understand the molecular basis of these markers in kidney disease progression.RESULTSHigher MCP-1 and YKL-40 levels were associated with greater eGFR decline and increased incidence of the composite renal outcome, whereas higher UMOD levels were associated with smaller eGFR declines and decreased incidence of the composite kidney outcome. A multimarker score increased prognostic accuracy and reclassification compared with traditional clinical variables alone. The mouse model of renal atrophy showed greater Ccl2 and Chi3l1 mRNA expression in infiltrating macrophages and neutrophils, respectively, and evidence of progressive renal fibrosis compared with the repair model. The repair model showed greater Umod expression in the loop of Henle and correspondingly less fibrosis.CONCLUSIONSBiomarker levels at 3 months after hospitalization identify patients at risk for kidney disease progression.FUNDINGNIH.
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 | 0,024 |
| 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 ».