Molecular and clinical signatures in Acute Kidney Injury define distinct subphenotypes that associate with death, kidney, and cardiovascular events
Notice bibliographique
Résumé
Abstract Introduction AKI is a heterogeneous syndrome defined via serum creatinine and urine output criteria. However, these markers are insufficient to capture the biological complexity of AKI and not necessarily inform on future risk of kidney and clinical events. Methods Data from ASSESS-AKI was obtained and analyzed to uncover different clinical and biological signatures within AKI. We utilized a set of unsupervised machine learning algorithms incorporating a comprehensive panel of systemic and organ-specific biomarkers of inflammation, injury, and repair/health integrated into electronic data. Furthermore, the association of these novel biomarker-enriched subphenotypes with kidney and cardiovascular events and death was determined. Clinical and biomarker concentration differences among subphenotypes were evaluated via classic statistics. Kaplan-Meier and cumulative incidence curves were obtained to evaluate longitudinal outcomes. Results Among 1538 patients from ASSESS-AKI, we included 748 AKI patients in the analysis. The median follow-up time was 4.8 years. We discovered 4 subphenotypes via unsupervised learning. Patients with AKI subphenotype 1 (‘injury’ cluster) were older (mean age ± SD): 71.2 ± 9.4 (p<0.001), with high ICU admission rates (93.9%, p<0.001) and highly prevalent cardiovascular disease (71.8%, p<0.001). They were characterized by the highest levels of KIM-1, troponin T, and ST2 compared to other clusters (P<0.001). AKI subphenotype 2 (‘benign’ cluster) is comprised of relatively young individuals with the lowest prevalence of comorbidities and highest levels of systemic anti-inflammatory makers (IL-13). AKI Subphenotype 3 (‘chronic inflammation and low injury’) comprised patients with markedly high pro-BNP, TNFR1, and TNFR2 concentrations while presenting low concentrations of KIM-1 and NGAL. Patients with AKI subphenotype 4 (‘inflammation-injury’) were predominantly critically ill individuals with the highest prevalence of sepsis and stage 3 AKI. They had the highest systemic (IL-1B, CRP, IL-8) and kidney inflammatory biomarker activity (YKL-40, MCP-1) as well as high kidney injury levels (NGAL, KIM-1). AKI subphenotype 3 and 4 were independently associated with a higher risk of death compared to subphenotype 2. Moreover, subphenotype 3 was independently associated with CKD outcomes and CVD events. Conclusion We discovered four clinically meaningful AKI subphenotypes with statistical differences in biomarker composites that associate with longitudinal risks of adverse clinical events. Our approach is a novel look at the potential mechanisms underlying AKI and the putative role of biomarkers investigation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».