Therapies for IgAN in the Cure Glomerulonephropathy Network (CureGN)
Notice bibliographique
Résumé
Background: There is sparse literature on real-world use and impact of novel emerging therapies approved to treat IgAN and current trends in immunosuppressive therapy (IST) use. In North American adults with IgAN enrolled in CureGN within 6 months of their diagnostic kidney biopsy, we report treatment patterns and associated disease trajectories. Methods: CureGN is a prospective registry of participants with glomerular disease. Descriptive statistics estimated frequency of IgAN treatments, number of IST classes used, and time from biopsy to first IST/systemic corticosteroid (SCS). Cox proportional hazard models assessed risk of a composite 40% decline/kidney failure by IST and SCS use. Results: 152 adults with incident IgAN were followed for a median of 6.8 years (interquartile range [IQR]: 2.4, 8.1). A majority were male (64%), white (74%), and non-Hispanic (84%). IST were the most frequently used IgAN medications and 61% specifically used SCS. Post-enrollment, the most common IgAN medications were renin-angiotensin system (RAS) inhibitors, other ISTs, and sodium glucose cotransporter-2 inhibitors (SGLT2i), with 29% of participants receiving 2+ IST classes. Few participants (n=5) received newer IgAN therapies (eg, sparsentan, targeted delayed-release budesonide). (Table 1) Compared with participants with estimated glomerular filtration rate (eGFR) ≥60 at biopsy, those with eGFR <60 were more likely to have received 2+ IST classes during follow-up (37.1% vs 16.3%, p=0.03). Urine protein:creatinine ratio (UPCR) at biopsy was not associated with number of IST classes used or time to first IST. Adjusting for eGFR and UPCR at enrollment, IST use was not associated with a decreased risk of progression to kidney failure (Table 2). Conclusion: The impact oftraditional IST on long term kidney function requires further exploration. Despite availability of novel IgAN therapies, conservative management (RAS inhibition, SGLT2i) and traditional IST remain most used. Funding: Commercial Support - Calliditas NA Enterprises Inc.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».