A whole-organ multi-scale in silico framework for human kidney haemodynamics informed by hierarchical phase-contrast tomography
Notice bibliographique
Résumé
Abstract Studying human kidney haemodynamics has been limited by the absence of complete vascular maps of the whole organ. Here we utilise previously generated multi-resolution hierarchical phase-contrast tomography (HiP-CT) coupled with a hybrid anatomically-grounded synthetic reconstruction to generate a full arterial–glomerular network of an intact human kidney comprising 1.6 million vessels and over 800,000 glomeruli. Using this anatomically comprehensive structure, we apply physics-based zero-dimensional haemodynamic modelling to quantify blood pressure, flow and simulated filtration rate across the entire organ. We show that the reconstructed human kidney vascular network exhibits order-dependent branching behaviour similar to that of rat kidneys, and that physiologically plausible pressure and flow patterns are recovered only when the full vascular network is represented. We further demonstrate how the kidney responds to macrovascular and microvascular perturbations, including stenosis of the large renal arteries and narrowing or ablation of afferent arterioles. Stenosis and arteriole narrowing exhibit threshold-type behaviour, with kidney perfusion and simulated glomerular filtration rate remaining largely preserved up to ∼50% narrowing, followed by sharp nonlinear declines beyond ∼70%. These predictions emerge in the absence of autoregulatory mechanisms, indicating that vascular geometry and resistance scaling alone contribute to kidney functional deterioration. Together, our framework provides the first organ-wide, data-driven model of human kidney haemodynamics and offers a foundation for future studies of kidney physiology and disease.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».