Skin Fairness Cream–Associated NELL-1 Membranous Nephropathy Treatment With Mercury Chelation and Immunosuppressive Therapy: An Educational Case Report
Notice bibliographique
Résumé
Case Description: A 38-year-old man presented with NELL-1 positive membranous nephropathy (MN). Initial treatment with rituximab and later cyclosporine failed to result in sustained clinical improvement. Upon further review, the patient had been applying a skin fairness cream nightly for 2 years preceding diagnosis. The cream was discontinued, and follow-up testing confirmed markedly elevated serum mercury levels of 66.8 µg/L (normal less than 20 µg/L), and 24-hour urine mercury of 103.9 nmol/d. Two rounds of chelation therapy were arranged, the first with dimercaptosuccinic acid (DMSA) and the second with dimercaptopropane-1-sulfonic acid (DMPS) given cost and availability. Repeat mercury levels normalized but follow up kidney biopsy confirmed persistent immune complex glomerulonephritis. The patient was subsequently treated with prednisone followed by additional rituximab resulting in improvement of proteinuria and stabilization of kidney function. Rationale/Teaching Points: This case reinforces the risk of mercury containing topicals and is the first to report systemic absorption of this magnitude. While chelation therapy is effective at improving systemic mercury levels, patients may require additional immunosuppression to treat immune complex-mediated MN following exposure.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».