Identification of Molecularly Distinct Sub-Phenotypes in AKI and Association with Long-Term Clinical Outcomes
Notice bibliographique
Résumé
Background: AKI is a heterogeneous clinical syndrome with varying causes, pathophysiology and diverse clinical outcomes; however, staging AKI by serum creatinine does not fully capture underlying patient heterogeneity. Our goal was to identify AKI sub-phenotypes more tightly linked to underlying pathophysiology and long-term clinical outcomes. Methods: We independently applied latent class analysis (LCA) and k-Means clustering to 29 clinical, plasma and urinary biomarker data measured during hospitalization to identify AKI sub-phenotypes in the ASSESS-AKI study. AKI subphenotype associations were examined with the composite of major adverse kidney events (MAKE), defined as incident or progressive chronic kidney disease, long-term dialysis, or all-cause death during study follow-up. Results: Among 769 AKI patients both LCA and k-Means clustering identified two AKI sub-phenotypes. Class 1 was characterized by a higher prevalence of prior congestive heart failure and favorable blood inflammatory and urinary tubular injury biomarkers, while class 2 was characterized by higher rates of prior chronic kidney disease and less favorable biomarkers. After a median follow-up of 4.7 years, the risk for MAKE was higher with class 2 (HR 1.41; 95% CI, 1.08 to 1.84) compared with class 1 adjusting for demographics, hospital level factors and KDIGO Stage of AKI. The higher risk of MAKE among class 2 was explained by a higher risk of chronic kidney disease progression and dialysis (Figure 1). Conclusions: In this analysis, we identify two molecularly distinct AKI subphenotypes with differing risk of long-term outcomes, independent of current criteria to risk stratify AKI. Future identification of AKI sub-phenotypes may facilitate linking therapies to underlying pathophysiology to prevent long-term sequalae after AKI. Funding: NIDDK SupportFigure 1a.: 29 different continuous vanables used in clustering analyses by AKI sub-phenotypes. Indivual continuous variables were placed on a z scale with a mean of zero and standard deviation of one. Variables are presented from top to bottom in order of maximum separation between class 1 and 2.Figure 1b.: Kaplan-Meier curves for major adverse kidney events (MAKE), CKD incidence, CKD progression, dialysis and death by AKI sub-phenotypes
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».