A Metabolomics Approach to Identify Metabolites Associated With Mortality in Patients Receiving Maintenance Hemodialysis
Notice bibliographique
Résumé
IntroductionUremic toxins contributing to increased risk of death remain largely unknown. We used untargeted metabolomics to identify plasma metabolites associated with mortality in patients receiving maintenance hemodialysis.MethodsWe measured metabolites in serum samples from 522 Longitudinal US/Canada Incident Dialysis (LUCID) study participants. We assessed the association between metabolites and 1-year mortality, adjusting for age, sex, race, cardiovascular disease, diabetes, body mass index, serum albumin, Kt/Vurea, dialysis duration, and country. We modeled these associations using limma, a metabolite-wise linear model with empirical Bayesian inference, and 2 machine learning (ML) models: Least absolute shrinkage and selection operator (LASSO) and random forest (RF). We accounted for multiple testing using a false discovery rate (pFDR) adjustment. We defined significant mortality-metabolite associations as pFDR < 0.1 in the limma model and metabolites of at least medium importance in both ML models.ResultsThe mean age of the participants was 64 years, the mean dialysis duration was 35 days, and there were 44 deaths (8.4%) during a 1-year follow-up period. Two metabolites were significantly associated with 1-year mortality. Quinolinate levels (a kynurenine pathway metabolite) were 1.72-fold higher in patients who died within year 1 compared with those who did not (pFDR, 0.009), wheras mesaconate levels (an emerging immunometabolite) were 1.57-fold higher (pFDR, 0.002). An additional 42 metabolites had high importance as per LASSO, 46 per RF, and 9 per both ML models but were not significant per limma.ConclusionQuinolinate and mesaconate were significantly associated with a 1-year risk of death in incident patients receiving maintenance hemodialysis. External validation of our findings is needed.
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 | 0,002 |
| 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 ».