Joint Modeling of Clinical and Biomarker Data in Acute Kidney Injury Defines Unique Subphenotypes with Differing Outcomes
Notice bibliographique
Résumé
BACKGROUND: AKI is a heterogeneous syndrome. Current subphenotyping approaches have only used limited laboratory data to understand a much more complex condition. METHODS: We focused on patients with AKI from the Assessment, Serial Evaluation, and Subsequent Sequelae in AKI (ASSESS-AKI). We used hierarchical clustering with Ward linkage on biomarkers of inflammation, injury, and repair/health. We then evaluated clinical differences between subphenotypes and examined their associations with cardiorenal events and death using Cox proportional hazard models. RESULTS: We included 748 patients with AKI: 543 (73%) of them had AKI stage 1, 112 (15%) had AKI stage 2, and 93 (12%) had AKI stage 3. The mean age (±SD) was 64 (13) years; 508 (68%) were men; and the median follow-up was 4.7 (Q1: 2.9, Q3: 5.7) years. Patients with AKI subphenotype 1 ( N =181) had the highest kidney injury molecule (KIM-1) and troponin T levels. Subphenotype 2 ( N =250) had the highest levels of uromodulin. AKI subphenotype 3 ( N =159) comprised patients with markedly high pro-brain natriuretic peptide and plasma tumor necrosis factor receptor-1 and -2 and low concentrations of KIM-1 and neutrophil gelatinase-associated lipocalin. Finally, patients with subphenotype 4 ( N =158) predominantly had sepsis-AKI and the highest levels of vascular/kidney inflammation (YKL-40, MCP-1) and injury (neutrophil gelatinase-associated lipocalin, KIM-1). AKI subphenotypes 3 and 4 were independently associated with a higher risk of death compared with subphenotype 2 and had adjusted hazard ratios of 2.9 (95% confidence interval, 1.8 to 4.6) and 1.6 (95% confidence interval, 1.01 to 2.6, P = 0.04), respectively. Subphenotype 3 was also independently associated with a three-fold risk of CKD and cardiovascular events. CONCLUSIONS: We discovered four AKI subphenotypes with differing clinical features and biomarker profiles that are associated with longitudinal clinical outcomes.
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 | 0,011 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».