Validation of the Klinrisk Kidney Disease Progression Model in Individuals with IgA Nephropathy
Notice bibliographique
Résumé
Background: IgA nephropathy is the most common primary glomerulonephritis worldwide, and leads to kidney failure in a significant proportion of those affected. Recent clinical trials have relied on persistence of proteinuria >1 g/day as the best predictor of poor long-term kidney outcomes, and other tools rely on detailed clinopathologic data which may not be readily available. We sought to validate the Klinrisk prediction model in a population-based cohort of all individuals aged 18 years and older with IgA nephropathy in the Canadian province of Manitoba from 2002 to 2019, inclusive. Methods: Participants were identified from the Manitoba Glomerular Diseases Registry. Klinrisk is a machine learning model constructed using random forests that uses routinely collected laboratory data to predict the risk of a composite of 40% decline in eGFR or kidney failure, defined as receipt of dialysis for at least 3 months or kidney transplantation. Discrimination was assessed using area under the receiver operating characteristic curves (AUC). Calibration was assessed using Brier scores, and calibration plots to compare predicted with observed risk. Results: A total of 230 individuals with biopsy-proven IgA nephropathy were included in the analysis. Median age at biopsy was 41.5 years, median eGFR was 51.5 mL/min/1.73m2, and median ACR was 158 mg/mmol. At 2 and 5 years, 73 and 89 individuals reached the primary outcome, respectively. Model discrimination was good, with an AUC of 0.878 (95% CI 0.830, 0.925) at 2 years and 0.827 (95% CI 0.760, 0.894) at 5 years. Calibration was appropriate, with Brier scores of 0.142 and 0.167 at 2 and 5 years. Visual inspection of the calibration plots showed under-prediction at higher levels of observed risk. Conclusion: The results demonstrate the utility of the Klinrisk model in predicting kidney failure among individuals with IgA nephropathy. Our results are limited by a small sample size and require confirmation in a separate cohort. If confirmed, Klinrisk could be implemented in a clinical setting to predict individual kidney failure risk to aid treatment decisions, or in a research setting to identify high-risk individuals for participation in clinical trials using routinely available data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».