Prognostic Enrichment Using the Klinrisk Model: Insights from Landmark Kidney Disease Clinical Trials
Notice bibliographique
Résumé
Background: Patients with macroalbuminuria (KDIGO stage A3) experience high rates of CKD progression and cardiovascular events. Identifying patients with lesser degrees of albuminuria who also experience high kidney and cardiovascular event rates could enhance access to, and improve efficiency of, CKD-focused clinical trials. Methods: We applied the Klinrisk model, a validated machine learning model incorporating routinely collected laboratory data, to patients with uACR ≥30 mg/g who were evaluated for participation in the CANVAS Program, CREDENCE, FIDELIO, FIGARO and DAPA-CKD trials but who failed screening due to albuminuria levels below the randomization threshold. We examined 2-year incidence of CKD progression (40% decline in eGFR or kidney failure) in different uACR categories, stratified by Klinrisk score (low, intermediate, and high risk indicating <2%, 2–10%, and >10% 2-year risk of CKD progression, respectively). We subsequently reviewed screen failure data from the CREDENCE, FIDELIO and DAPA-CKD trials to determine what proportion of individuals with uACR 30–300 mg/g could have been enrolled using a Klinrisk-informed approach. Results: Across the included trials, the incidence of CKD progression among participants with uACR 30–300mg/g (KDIGO stage A2) was highly variable across risk categories, ranging from 1.1 to 9.7% in those classified as low vs. high risk by the Klinrisk model, respectively. Compared to participants with uACR 300-1000 mg/g, event rates were similar or higher for participants with uACR 30-300mg/g classified as high-risk based on the Klinrisk model. 24 to 36% of participants who screen failed due to A2 albuminuria in the CREDENCE, FIDELIO and DAPA-CKD trials were classified as high risk with the Klinrisk model. Conclusion: Extending recruitment to patients with uACR 30-300mg/g at high-risk based on the Klinrisk algorithm could facilitate recruitment for CKD progression trials without affecting event rates. Prognostic enrichment using Klinrisk has the potential to accelerate drug development in CKD by enabling more inclusive and efficient clinical trials.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 ».