Machine Learning Models Uncover Subphenotypes of AKI With Unique Signatures That Associate With Differing Clinical Outcomes
Notice bibliographique
Résumé
Background: Acute kidney injury (AKI) is defined through serum creatinine and urine output metrics. However, these markers do not capture the complexity of AKI and do not fully inform on the future risk of kidney and clinical events. Methods: We evaluated clinical and biomarker data from AKI patients during the acute hospitalization from ASSESS-AKI via three machine learning algorithms to uncover different AKI composites. We compared key characteristics within each subphenotype via classic statistics and then examined the time to event for kidney events (CKD incidence and progression), cardiovascular events, and death by subphenotype. Results: We included 748 AKI patients. The mean age (± SD) was 64 (13) years, 67.9% were men, and the median follow-up was 4.8 years. Patients with AKI subphenotype 1 (‘cardiorenal injury’, N=181) were characterized by prevalent CVD (78%, P<0.001) and the highest levels of KIM-1, urinary IL-18, and Troponin T. Subphenotype 2 (‘benign’, N=250) was comprised of individuals with a low prevalence of comorbid conditions and high uromodulin levels, a marker of tubular repair. AKI subphenotype 3 (‘cardiorenal inflammation, N=159) comprised patients with markedly high levels of pro-BNP, TNFRs and low kidney injury (KIM-1, NGAL). Finally, patients subphenotype 4 (‘sepsis-AKI’, N=158) had high rates of infections and dialysis-requiring AKI. These patients had the highest levels of vascular/kidney (YKL-40, MCP-1), and injury activity. AKI subphenotype 3 and 4 were independently associated with a higher risk of death: adjusted hazard ratios (aHR) of 2.9 (95% CI: 1.8 - 4.6, p<0.001) and 1.6 (1.01 - 2.6, p=0.04), respectively. Subphenotype 3 was also independently associated with triple the risk of CKD outcomes (aHR: 2.6, CI: 1.6 - 4.2) and CVD events (aHR: 2.6, CI: 1.6 - 4.1). Conclusions: We discovered four novel and clinically meaningful AKI subphenotypes that inform on potential pathway abnormalities that associate with differing risks for long-term events. We found a new role for biomarkers when they are evaluated in an agnostic fashion, which can serve to advance precision medicine in AKI care. Funding: NIDDK Support
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) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».