Noninvasive testing for mycophenolate exposure in children with renal transplant using urinary metabolomics
Notice bibliographique
Résumé
BACKGROUND: Despite the common use of mycophenolate in pediatric renal transplantation, lack of effective therapeuic drug monitoring increases uncertainty over optimal drug exposure and risk for adverse reactions. This study aims to develop a novel urine test to estimate MPA exposure based using metabolomics. METHODS: Urine samples obtained on the same day of MPA pharmacokinetic testing from two prospective cohorts of pediatric kidney transplant recipients were assayed for 133 unique metabolites by mass spectrometry. Partial least squares (PLS) discriminate analysis was used to develop a top 10 urinary metabolite classifier that estimates MPA exposure. An independent cohort was used to test pharmacodynamic validity for allograft inflammation (urinary CXCL10 levels) and eGFR ratio (12mo/1mo eGFR) at 1 year. RESULTS: Fifty-two urine samples from separate children (36.5% female, 12.0 ± 5.3 years at transplant) were evaluated at 1.6 ± 2.5 years post-transplant. Using all detected metabolites (n = 90), the classifier exhibited strong association with MPA AUC by principal component regression (r = 0.56, p < .001) and PLS (r = 0.75, p < .001). A practical classifier (top 10 metabolites; r = 0.64, p < .001) retained similar accuracy after cross-validation (LOOCV; r = 0.52, p < .001). When applied to an independent cohort (n = 97 patients, 1053 samples), estimated mean MPA exposure over Year 1 was inversely associated with mean urinary CXCL10:Cr (r = -0.28, 95% CI -0.45, -0.08) and exhibited a trend for association with eGFR ratio (r = 0.35, p = .07), over the same time period. CONCLUSIONS: This urinary metabolite classifier can estimate MPA exposure and correlates with allograft inflammation. Future studies with larger samples are required to validate and evaluate its clinical application.
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 | 0,001 |
| 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 ».