Longitudinal estimated glomerular filtration rate (<scp>eGFR)</scp> modeling in long‐term renal function to inform clinical trial design in kidney transplantation
Notice bibliographique
Résumé
Kidney transplantation is the preferred treatment for individuals with end-stage kidney disease. From a modeling perspective, our understanding of kidney function trajectories after transplantation remains limited. Current modeling of kidney function post-transplantation is focused on linear slopes or percent decline and often excludes the highly variable early timepoints post-transplantation, where kidney function recovers and then stabilizes. Using estimated glomerular filtration rate (eGFR), a well-known biomarker of kidney function, from an aggregated dataset of 4904 kidney transplant patients including both observational studies and clinical trials, we developed a longitudinal model of kidney function trajectories from time of transplant to 6 years post-transplant. Our model is a nonlinear, mixed-effects model built in NONMEM that captured both the recovery phase after kidney transplantation, where the graft recovers function, and the long-term phase of stabilization and slow decline. Model fit was assessed using diagnostic plots and individual fits. Model performance, assessed via visual predictive checks, suggests accurate model predictions of eGFR at the median and lower 95% quantiles of eGFR, ranges which are of critical clinical importance for assessing loss of kidney function. Various clinically relevant covariates were also explored and found to improve the model. For example, transplant recipients of deceased donors recover function more slowly after transplantation and calcineurin inhibitor use promotes faster long-term decay. Our work provides a generalizable, nonlinear model of kidney allograft function that will be useful for estimating eGFR up to 6 years post-transplant in various clinically relevant populations.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».