Pembangunan Alat Ramalan Respons Suboptimum Lupus Nefritis Menggunakan Pembolehubah Makmal Histopatologi dan Klinikal Ginjal Pada Masa Diagnosis

Lindsay N Helget,^1,2 David J Dillon,¹ Serigala Bethany,³Laura P Parks,¹ Sally E Diri,⁴Evelyn T Bruner,⁴ Evan E Oates,⁵Jim C Oates

ABSTRAK

ObjektifLupus nefritis (LN) adalahimunpenyakit glomerular dan tubulointerstitial yang dimediasi kompleks pada pesakit dengan SLE. Ramalan hasil pada permulaan diagnosis LN boleh membimbing keputusan mengenai intensiti pemantauan dan terapi untuk kejayaan rawatan. Pada masa ini, tiada model pembelajaran mesin bagi hasil wujud. Beberapa hasil kerja pemodelan telah menggunakan pemodelan univariat atau linear tetapi dihadkan oleh heterogeniti penyakit. Kami membuat hipotesis bahawa gabungan keputusan patologi buah pinggang dan data makmal klinikal rutin boleh digunakan untuk membangunkan dan mengesahkan silang alat sokongan keputusan awal pembelajaran mesin bermakna secara klinikal yang meramalkan hasil LN pada kira-kira 1 tahun.

KaedahUntuk menangani hipotesis ini, pesakit dengan LN dari pendaftaran membujur prospektif di Universiti Perubatan Carolina Selatan yang didaftarkan antara 2003 dan 2017 telah dikenal pasti jika mereka mempunyai biopsi buah pinggang dengan klasifikasi patologi Persatuan Nefrologi/Renal Pathology Society Antarabangsa. Nilai makmal klinikal pada masa diagnosis dan pembolehubah hasil pada kira-kira 1 tahun direkodkan. Model pembelajaran mesin telah dibangunkan dan disahkan silang untuk meramalkan respons suboptimum.

KeputusanFive machine learning models predicted suboptimal response status in 10 times cross-validation with receiver operating characteristics area under the curve values >0.78. Pembolehubah yang paling diramalkan ialah keradangan interstisial, fibrosis interstisial, skor aktiviti, dan skor kronik daripada patologi buah pinggang dan nisbah protein-ke-kreatinin air kencing, kiraan sel darah putih, dan hemoglobin dari makmal klinikal. Alat berasaskan web telah dicipta untuk doktor memasuki makmal klinikal asas dan pembolehubah histopatologi ini untuk menghasilkan skor kebarangkalian tindak balas suboptimum.

KesimpulanMemandangkan kepelbagaian persembahan penyakit dalam LN, adalah penting bahawa model ramalan risiko menggabungkan beberapa elemen data. Laporan ini menyediakan buat pertama kalinya alat bukti konsep klinikal yang menggunakan lima model paling ramalan dan memudahkan pemahaman mengenainya melalui aplikasi berasaskan web.

Hubungi:joanna.jia@wecistanche.com

herba cistanchedeserticola menghalangbuah pinggangpenyakit, klik di sini untuk mendapatkan sampel

PENGENALAN

Lupus nephritis (LN) ialah penyakit glomerular dan tubulointerstitial yang dimediasi kompleks imun pada pesakit SLE. Kira-kira 50 peratus pesakit dengan SLE berkembangbuah pinggang-komplikasi yang berkaitan, termasuk LN, dan sehingga 48 peratus daripada mereka yang mempunyai penyakit proliferatif meresap boleh berkembang menjadi penyakit buah pinggang peringkat akhir dalam tempoh 5 tahun diagnosis di kalangan orang Afrika-Amerika.1 American College of Rheumatologi (ACR) pada masa ini mengesyorkan menukar terapi apabila pesakit dengan LN dianggap tidak bertindak balas selepas 6 bulan terapi induksi.2 Pakar klinik menggunakan pelbagai penanda serum, termasuk C3, C4, DNA anti-double-stranded (anti-dsDNA), dan kreatinin, serta protein air kencing nisbah -kepada-kreatinin dan sedimen untuk memantau tindak balas terhadap terapi, tetapi tindak balas kepada terapi tidak ditakrifkan dalam garis panduan.2 Semasa dalam 6-percubaan bulan terapi induksi ini, pesakit yang tidak bertindak balas boleh membina buah pinggang tidak boleh pulih tambahan kerosakan. Alat sokongan keputusan berdasarkan model pembelajaran mesin boleh berguna dalam menentukan ciri asas pesakit yang kurang berkemungkinan bertindak balas terhadap terapi induksi. Pada masa ini, tiada model pembelajaran mesin yang berguna secara klinikal bagi 1-hasil tahun telah dibangunkan. Pemodelan univariat atau linear tidak meramalkan hasil dengan baik dalam penyakit heterogen ini.

Kami membuat hipotesis bahawa gabungan keputusan patologi buah pinggang dan data makmal klinikal rutin boleh digunakan untuk membangunkan dan mengesahkan silang alat sokongan keputusan LN awal yang meramalkan tindak balas suboptimum pada kira-kira 1 tahun di LN.

KAEDAH

Populasi pesakit

Data pesakit diperoleh daripada kohort membujur prospektif Pusat Teras untuk Penyelidikan Klinikal (CCCR) Universiti Perubatan Carolina Selatan (MUSC). Pangkalan data CCCR ditaja oleh NIH di bawah mekanisme P30 dan merupakan pendaftaran membujur dan biorepositori bagi kebanyakan pesakit Afrika-Amerika dengan SLE. Pesakit yang dipilih memenuhi kriteria ACR atau SLE International Cooperating Clinics untuk SLE,3 4 telah dinilai oleh penyedia reumatologi di MUSC dan bersetuju untuk didaftarkan dalam kohort. Pangkalan data kohort membujur prospektif telah dicipta pada tahun 2003. Kriteria penyakit dan data biopsi buah pinggang sebahagian besarnya dimasukkan secara prospektif, tetapi ada yang ditambah secara retrospektif melalui semakan carta.

cistancheboleh merawatkegagalan buah pinggang akut

Kriteria kemasukan

Pesakit juga dipilih jika mereka telah menyemak Persatuan Antarabangsa Nefrologi / Persatuan Patologi Buah Pinggang (ISN/RPS), kelas aktif, nefritis I, II, III, IV atau V melalui histopatologi sama ada pada pembentangan awal LN atau dengan LN yang semakin teruk. biopsi ulangan antara 2003 dan 2017.5 Hanya pesakit dengan data makmal lengkap yang tersedia pada masa biopsi buah pinggang dan kira-kira 12 bulan (7-24 bulan) selepas biopsi buah pinggang dimasukkan ke dalam kajian.

Analisis makmal

Nilai makmal diperolehi sebagai sebahagian daripada penjagaan pesakit standard. Ujian untuk 24-protein air kencing, nisbah protein kepada kreatinin, kreatinin serum, albumin, hemoglobin, kiraan sel darah putih, kiraan platelet, anti dsDNA, C3 dan C4 dilakukan oleh makmal pusat yang diperakui Pindaan Makmal Klinikal. di MUSC, LabCorp, atau makmal hospital luar. Anggaran kadar penapisan glomerular (eGFR) ditentukan dengan menggunakanKronikbuah pinggangpenyakitPersamaan Kerjasama Epidemiologi (CKD-EPI).6

Analisis patologi

Biopsi buah pinggang telah dibaca oleh salah satu daripada dua pakar patologi buah pinggang di MUSC (SES atau ETB) menggunakan 2018 aktiviti ISN/RPS yang disemak semula (0–24) dan kronik (0–12 ) elemen indeks (masing-masing mendapat markah 0–3 untuk 0 peratus ,<25%, 25%–50%="" and="">50 peratus penglibatan).5 Termasuk dalam indeks aktiviti ialah hiperselulariti endocapillary, karyorrhexis, nekrosis fibrinoid, mendapan hyaline, bulan sabit selular selular atau fibro, dan keradangan interstisial. Markah telah digandakan untuk bulan sabit dan nekrosis. Termasuk dalam indeks kronik ialah jumlah skor glomerulosklerosis, bulan sabit berserabut, atrofi tiub, dan fibrosis interstisial.

Pengendalian data

Data untuk pangkalan data CCCR diadili terus ke dalam pangkalan data REDCap menggunakan Perkhidmatan Pemindahan Data7 untuk menghapuskan ralat transkripsi. Beberapa nilai makmal telah diekstrak melalui semakan carta rekod perubatan elektronik dan laporan makmal yang diimbas dan dimasukkan secara manual ke dalam pangkalan data. Lima peratus kemasukan dua kali data abstrak telah dilakukan untuk memastikan ralat transkripsi berlaku<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

Analisis statistik

Pembolehubah hasil adalah kegagalan untuk bertindak balas sepenuhnya terhadap terapi pada kira-kira 1 tahun. Titik masa ini dipilih, kerana pembolehubah tindak balas pada 1 tahun adalah ramalan tahun tindak balas jangka panjang dalam Ujian MAINTAIN dan Euro-Lupus Nephritis.8 Tindak balas ditakrifkan melalui pengubahsuaian kriteria tindak balas ACR.9 Pengubahsuaian kepada kriteria ini telah diterangkan sebelum ini oleh Wofsy et al. 10 Secara ringkas, tindak balas lengkap yang diubah suai ini termasuk mencapai nisbah protein-ke-kreatinin air kencing sebanyak<0.5 at="" approximately="" 1="" year="" and="" achieving="" an="" egfr="" of="" 90="" or="" an="" improvement="" of="" at="" least="" 15%="" from="" baseline.="" the="" suboptimal="" response="" outcome="" was="" defined="" by="" the="" lack="" of="" achieving="" complete="" response="" as="" defined="" above.="" thus,="" the="" outcome="" includes="" non-responders="" and="" partial="" responders.="" variables="" collected="" in="" the="" data="" included="" patient="" sex,="" age="" at="" the="" time="" of="" biopsy,="" proliferative="" disease="" (isn/rps="" classes="" iii="" or="" iv,="" y/n),="" mesangial="" disease="" (isn/="" rps="" class="" i="" or="" ii,="" y/n),="" membranous="" disease="" (isn/rps="" class="" v,="" y/n),="" activity="" score="" (0–3),="" chronicity="" score="" (0–3),="" interstitial="" fibrosis="" (0–3),="" interstitial="" inflammation="" (0–3),="" number="" of="" glomeruli="" evaluated,="" crescents="" (number),="" crescent-toglomeruli="" ratio="" (0–3×2),="" necrosis="" (0–3×2),="" urine="" proteinto-creatinine="" ratio,="" egfr="" by="" the="" ckd-epi="" formula="" (egfr,="" ml/min/1.73="" m²),6="" serum="" creatinine="" (mg/dl),="" dsdna="" (iu),="" c3="" (mg/dl),="" c4="" (mg/dl),="" the="" white="" blood="" cells="" count="" (k/µl),="" platelet="" count="" (k/µl),="" hemoglobin="" (g/dl),="" serum="" albumin="" (mg/dl),="" prednisone="" (y/n),="" hydroxychloroquine="" (y/n),="" mycophenolate="" mofetil/mycophenolic="" acid="" (y/n),="" cyclophosphamide="" (y/n),="" rituximab="" (y/n),="" azathioprine="" (y/n)="" and="" number="" of="" medications.="" since="" the="" data="" were="" retrospective="" and="" not="" prospectively="" randomized,="" immunosuppressants="" used="" for="" induction="" are="" subject="" to="" bias="" by="" indication="" and="" were="" not="" considered="" predictive.="" they="" were="" excluded="" from="" consideration="" during="" model="" development="" for="" clinical="" use,="" as="" their="" presence="" might="" imply="" that="" the="" choice="" of="" induction="" therapy="" based="" on="" the="" modeling="" might="" affect="" the="" outcomes.="" descriptive="" statistics="" were="" calculated="" for="" all="" participant="" characteristics="" by="" treatment="" response="" category.="" univariate="" associations="" between="" all="" baseline="" characteristics="" and="" treatment="" response="" were="" evaluated="" using="" a="" series="" of="" logistic="" regression="">

Matlamat untuk kajian ini adalah untuk mengenal pasti subset peramal dari demografi pesakit dan makmal asas dan data biopsi yang menghasilkan ciri prestasi ramalan yang baik untuk satu set model ramalan pelbagai pembolehubah bagi tindak balas suboptimum pada kira-kira 1 tahun. Model klasifikasi berbilang pembolehubah yang dipertimbangkan dalam kajian ini termasuk regresi logistik (LR), klasifikasi dan pokok regresi (CART), hutan rawak (RF), mesin vektor sokongan dengan isirong linear, polinomial dan Gaussian (masing-masing SVML, SVMP, dan SVMR), Bayes naif (NB) dan rangkaian neural buatan (ANN). Model RF sesuai menggunakan pakej 'randomForest'; Model LR sesuai menggunakan pakej 'statistik'; Model SVM dan NB sesuai menggunakan pakej 'e1071'; Model ANN sesuai menggunakan 'net' yang tersedia dalam R.11 12 Parameter penalaan untuk model berbeza yang dipertimbangkan telah dipilih sebelum membangunkan model. Carian menyeluruh awal semua kombinasi sehingga 20 pembolehubah telah dipertimbangkan. Walau bagaimanapun, hasil daripada carian ini mendapati prestasi purata terbaik berlaku apabila model memasukkan lapan pembolehubah (angka tambahan dalam talian 2). Oleh itu, pemilihan pembolehubah telah dijalankan menggunakan pemeriksaan menyeluruh semua subset daripada lapan atau kurang peramal. Nombor ambang ini telah dipertimbangkan untuk semua pendekatan pemodelan untuk menjadikan model lebih berguna dalam persekitaran klinikal yang sibuk. Khususnya, prestasi ramalan untuk setiap subset peramal model telah dijalankan menggunakan 10-pendekatan pengesahan silang (CV) kali ganda. CV sepuluh kali ganda membahagikan data kepada 10 subset. Model dilatih menggunakan 9/10 data dan diuji pada baki 1/10 data, dan ini diulang untuk setiap subset. Kawasan yang disahkan silang di bawah lengkung (cvAUC) ialah purata AUC yang dikira untuk setiap subset 1/10 daripada data yang dikecualikan semasa pembangunan model dan telah ditunjukkan sebagai lebih teguh daripada penggunaan pendekatan set ujian latihan tunggal. 13 Matlamatnya adalah untuk mengenal pasti subset kecil peramal dengan prestasi ramalan yang baik merentas model.14 Prestasi ramalan diukur dengan 10-cvAUC kali ganda dan subset terbaik daripada lapan pembolehubah dipilih sebagai subset yang menghasilkan purata tertinggi cvAUC merentas semua model. Kepekaan, kekhususan, nilai ramalan positif dan nilai ramalan negatif telah ditentukan untuk ambang pilih untuk kebarangkalian ramalan bukan tindak balas yang dikembalikan oleh setiap model. Semua analisis telah dijalankan dalam R V.4.0.2. Alat berasaskan web R-Shiny telah dibuat berdasarkan model terhasil yang dipilih.

KEPUTUSAN

Dalam pendaftaran, 149 pesakit mempunyai maklumat biopsi buah pinggang yang tersedia antara 2003 dan 2017. Daripada jumlah ini, 83 pesakit dengan LN mempunyai data tindak balas buah pinggang susulan dan kira-kira 1-tahun antara 7.5 dan 24 bulan (angka tambahan dalam talian 1) . Tiga dengan susulan<7 months="" and="" four="" with="" follow-up="">2 tahun dikecualikan. Kira-kira separuh daripada peserta diklasifikasikan sebagai responden suboptimum pada 1 tahun. Ciri-ciri peserta mengikut tindak balas rawatan dilaporkan dalam jadual 1.

The subset of eight or fewer predictors yielding the best prediction performance across the different models included activity, chronicity, interstitial fibrosis and interstitial inflammation scores and baseline laboratory values for urine protein-to-creatinine ratio, white blood cell count, and hemoglobin. The univariate cvAUCs for these seven variables are shown in table 2. The cvAUCs for the best models selected for each modeling approach range from 0.62 to 0.80 with the random forest model yielding the best cvAUC. Five of the eight models considered had a cvAUC >0.75 dan termasuk model LR, RF, SVML, SVMR dan ANN. Jadual 3 menunjukkan subset cvAUC dan peramal untuk lima model dengan cvAUC tinggi. Jadual 4 menunjukkan kepekaan dan kekhususan setiap model dan berdasarkan ramalan purata merentas kelima-lima model pada tiga ambang setiap satu. Keradangan interstisial adalah peramal yang paling konsisten dan dimasukkan dalam kelima-lima model. Skor aktiviti dan fibrosis interstisial juga agak konsisten dan dimasukkan dalam semua kecuali model RF. Lengkung ciri pengendalian penerima (ROC) berdasarkan 10-ramalan CV kali ganda daripada setiap lima model yang dipilih ditunjukkan dalam Rajah 1. Rajah 2 menggambarkan prestasi (kepekaan dan kekhususan) bagi min semua model berdasarkan pada ambang ramalan yang dipilih. Model CART, SVMP dan NB semuanya mempunyai cvAUC<0.7 and="" were="" excluded="" from="" further="">

Menggunakan tujuh pembolehubah yang paling konsisten, aplikasi berasaskan web telah dicipta dengan R shiny untuk berfungsi sebagai alat klinikal dan boleh didapati di sini: (https://histologyapp. shinyapps.io/LN_histology{{2 }}alatan_ramalan/). Dalam aplikasi, contoh data pesakit dipaparkan secara lalai. Untuk menilai pesakit baharu, pengguna boleh memasukkan histologi dan nilai makmal klinikal yang diperoleh semasa biopsi. Graf yang terhasil menggambarkan, sebagai titik berwarna, ramalan kebarangkalian tiada tindak balas bagi setiap model pada ambang 0.5. Saiz setiap titik mencerminkan ROC AUC dalam set pengesahan. Plot kotak pada halaman gambaran keseluruhan mewakili median (garisan), IQR (kotak), dan persentil ke-25 dan 75±1.5 kali ganda IQR (kumis) skor kebarangkalian untuk tindak balas suboptimum dalam pesakit individu dalam kumpulan responden dan bukan responden. dalam set pengesahan (juga digambarkan dalam rajah 2A). Setiap titik berwarna mewakili ramalan model tunggal pesakit yang dilihat dalam konteks prestasi model dalam set pengesahan. 'X' hitam mewakili purata kebarangkalian yang diramalkan untuk tidak bertindak balas bagi semua lima model.

PERBINCANGAN

Kajian kami menentukan bahawa pembelajaran mesin boleh digunakan untuk membangunkan model yang disahkan silang dengan ramalan yang baik tentang tindak balas suboptimum terhadap terapi pada pesakit dengan LN, kebanyakannya berketurunan Afrika. Model ini dibangunkan menggunakan makmal klinikal dan unsur histopatologi yang sedia ada pada masa diagnosis. Kegunaan ciri histopatologi individu untuk meramalkan hasil dalam nefritis lupus proliferatif meresap diterangkan dengan baik. Kerja sebelum ini telah menunjukkan kekuatan ramalan skor indeks aktiviti komposit dalam perkembangan kepada kegagalan buah pinggang, dengan ciri histologi individu aktiviti seperti bulan sabit selular dan nekrosis fibrinoid menunjukkan perkaitan positif dengan kegagalan buah pinggang.15 Komposit indeks kronik serta ciri individu seperti kerana fibrosis interstisial, sklerosis glomerular, dan bulan sabit berserabut juga diramalkan, dengan perubahan atropik tiub ditentukan sebagai nilai ramalan yang sangat tinggi berkenaan dengan perkembangan kepada kegagalan buah pinggang.15 Penambahan unsur data klinikal, terutamanya kreatinin serum, hematokrit dan bangsa kepada ciri histologi meningkatkan ramalan dalam kerja berikutnya, manakala kajian lain menunjukkan penggunaan indeks aktiviti bersendirian atau kronik tidak mencukupi dalam meramalkan tindak balas. 16–19 Pendekatan pembelajaran mesin terkini telah menggunakan regresi berbilang linear dan pemodelan hutan rawak untuk meramalkan klasifikasi patologi, aktiviti dan kronik daripada nilai makmal klinikal dan telah menunjukkan janji.20 Kajian ini memperluaskan pendekatan ini dengan menggunakan pembolehubah patologi untuk meramalkan hasil pada kira-kira 1 tahun.

herba naga cistanche untuk buah pinggang

As demonstrated in previous studies, the addition of novel biomarkers obtained at the time of diagnosis can be used to develop a robust model to predict the 1-year outcome.21 However, no measures of these novel biomarkers are in clinical use. In this study, readily available histological and clinical laboratory values were used to predict LN outcomes with a ROC AUC of >0.75 dalam lima model. Kajian ini unik kerana aktiviti individu dan elemen skor kronik telah digunakan dalam model pembelajaran mesin. Ini disokong oleh literatur terdahulu yang menerangkan penggunaannya secara individu.15

Keputusan pemodelan ramalan ini harus ditafsirkan dalam konteks klinikal yang betul. Kehadiran fibrosis interstisial yang tinggi dengan skor aktiviti yang rendah adalah kemungkinan kecederaan kronik yang menunjukkan bahawa imunosupresi akan digunakan untuk mencegah lebih teruk daripada memulihkan fungsi buah pinggang. Walau bagaimanapun, mereka yang mempunyai skor aktiviti yang tinggi mungkin didekati dengan terapi imunosupresif gabungan atau dipantau untuk penambahan terapi barisan kedua lebih awal untuk memperbaiki atau memelihara fungsi buah pinggang. Memandangkan data ini adalah retrospektif, kami tidak tahu sama ada menggunakan ramalan untuk membimbing keputusan mengenai terapi induksi akan mengubah hasil. Seperti yang sering berlaku dalam menguruskan pesakit dengan penyakit autoimun, adalah tidak sesuai untuk seorang doktor membuat keputusan tentang pilihan terapi berdasarkan skor ramalan ini tanpa mengambil kira konteks klinikal. Walau bagaimanapun, ramalan bukan tindak balas boleh digunakan untuk menukar kekerapan pemantauan untuk tindak balas dan penyelarasan penjagaan untuk memastikan pematuhan ubat.

Ia juga boleh dipertimbangkan dalam keputusan untuk menambah atau menukar terapi kerana kekurangan tindak balas pada titik masa yang lebih awal daripada 6 bulan yang disyorkan mengikut garis panduan ACR.

Kajian ini mempunyai beberapa batasan. Maklumat yang digunakan untuk memodelkan hasil kebanyakannya datang daripada pesakit keturunan Afrika. Oleh itu, penggunaan dalam amalan klinikal mungkin terhad kepada demografi ini. Walaupun data longitudinal dalam kajian ini dikumpul secara prospektif, analisis adalah retrospektif. Walaupun mikroangiopati trombotik telah dikaitkan dengan hasil dalam kajian terdahulu,22 bilangan biopsi dengan penemuan ini (lima) mengehadkan kepentingannya dalam model. Bantuan keputusan yang dibentangkan di sini tidak digunakan secara prospektif untuk menentukan sama ada mengubah strategi rawatan berdasarkan skor ramalan meningkatkan hasil. Ia belum dinilai dalam ramalan hasil jangka panjang dan oleh itu tidak boleh digunakan untuk meramalkan > 1-hasil tahun. Walau bagaimanapun, 1-hasil tahun telah dikaitkan dengan hasil jangka panjang dalam Percubaan MAINTAIN dan Euro-Lupus Nephritis.8 Pemilihan pesakit untuk dimasukkan ke dalam kajian ini boleh menyebabkan hasil yang berat sebelah. Sebagai contoh, mereka yang mempunyai penyakit buah pinggang yang lebih cepat progresif lebih berkemungkinan menerima biopsi. Mereka yang mempunyai garis dasar dan susulan kira-kira 1-tahun tersedia dalam rekod perubatan mungkin berat sebelah kepada hasil yang lebih baik. Kami tidak boleh mengkaji dengan teliti kesan ubat terhadap hasil, kerana kebanyakan pesakit menerima asid mikofenolat atau mikofenolik.

Memandangkan kepelbagaian persembahan penyakit dalam LN, adalah penting bahawa model ramalan risiko menggabungkan beberapa elemen data. Laporan ini menyediakan buat pertama kalinya alat klinikal yang menggunakan lima model paling ramalan dan memudahkan pemahaman mengenainya melalui aplikasi berasaskan web. Dengan model ramalan yang dicadangkan di sini, kami membentangkan bukti konsep untuk alat yang boleh memaklumkan kedua-dua kekerapan pemantauan dan memudahkan perbincangan dengan pesakit tentang pilihan terapi. Memantau atau melaksanakan penyelarasan penjagaan dengan lebih teliti bagi mereka yang diramalkan mempunyai tindak balas suboptimum terhadap terapi berpotensi untuk meningkatkan hasil tetapi harus diuji secara prospektif.

acteosidedalamcistanchemempunyai kesan yang baik terhadapbuah pinggang

RUJUKAN

1 Dooley MA, Hogan S, Jennette C, et al. Terapi cyclophosphamide untuk nefritis lupus: kelangsungan hidup buah pinggang yang lemah di kalangan orang kulit hitam Amerika. rangkaian kerjasama penyakit glomerular. Int Buah Pinggang 1997;51:1188–95.

2 Hahn BH, McMahon MA, Wilkinson A, et al. Garis panduan American College of Rheumatologi untuk pemeriksaan, rawatan, dan pengurusan nefritis lupus. Arthritis Care Res 2012;64:797–808.

3 Hochberg MC. Mengemas kini kriteria disemak American College of Rheumatologi untuk klasifikasi lupus erythematosus sistemik. Arthritis Rheum 1997;40:1725.

4 Isenberg D, Wallace DJ, Nived O. Derivasi dan pengesahan kriteria klasifikasi klinik kerjasama antarabangsa lupus sistemik untuk lupus erythematosus sistemik. Arthritis Rheum 2012;64.

5 Bajema IM, Wilhelmus S, Alpers CE, et al. Semakan klasifikasi Persatuan Antarabangsa Nefrologi/Patologi Buah Pinggang untuk nefritis lupus: penjelasan definisi, dan Institut aktiviti kesihatan dan indeks kronik yang diubah suai. Int Buah Pinggang 2018;93:789–96.

6 Pei X, Yang W, Wang S, et al. Menggunakan algoritma matematik untuk mengubah suai persamaan anggaran kadar penapisan glomerular. PLoS One 2013;8:e57852.

7 Harris PA, Taylor R, Thielke R, et al. Penyelidikan penangkapan data elektronik (REDCap)--metodologi dipacu metadata dan proses aliran kerja untuk menyediakan sokongan informatika penyelidikan terjemahan. J Biomed Inform 2009;42:377–81.

8 Ugolini-Lopes MR, Seguro LPC, Castro MXF, et al. Tindak balas proteinuria awal: peramal situasi kehidupan sebenar yang sah bagi hasil buah pinggang lupus jangka panjang dalam kumpulan yang pelbagai etnik dengan nefritis yang terbukti biopsi teruk. Lupus Sci Med 2017;4:e000213.

9 Jawatankuasa Kecil Penyakit Renal Jawatankuasa Ad Hoc Kolej Rheumatologi Amerika mengenai Kriteria Tindak Balas Lupus Eritematosus Sistemik. Kriteria tindak balas Kolej Rheumatologi Amerika untuk penyakit buah pinggang proliferatif dan membran dalam ujian klinikal lupus erythematosus sistemik. Arthritis Rheum 2006;54:421–32. pada 27 Disember 2021, oleh tetamu. Dilindungi oleh hak cipta. pada 24 Ogos 2021. Dimuat turun daripada Helget LN, et al. Sains & Perubatan Lupus 2021;8:e000489. doi:10.1136/lupus-2021-000489 8 Sains & Perubatan Lupus

10 Wofsy D, Hillson JL, Diamond B. Perbandingan ukuran hasil utama alternatif untuk digunakan dalam ujian klinikal lupus nefritis. Arthritis Rheum 2013;65:1586–91.

11 Pasukan RC. Bahasa dan persekitaran untuk pengkomputeran statistik, 2020. Tersedia:

12 Liaw A, Wiener M. Pengelasan dan regresi mengikut hutan rawak. Berita R 2002;2:18–22.

13 Hastie T, Tibshirani R, Friedman JH. Elemen pembelajaran statistik: perlombongan data, inferens dan ramalan: dengan 200 ilustrasi berwarna penuh. New York: Springer, 2001.

14 LeDell E, Petersen M, van der Laan M. Selang keyakinan yang cekap secara pengiraan untuk kawasan yang disahkan silang di bawah anggaran lengkung ROC. Elektron J Stat 2015;9:1583–607.

15 Austin HA, Muenz LR, Joyce KM, et al. Lupus nefritis proliferatif meresap: pengenalpastian ciri-ciri patologi tertentu yang mempengaruhi hasil buah pinggang. Int Buah Pinggang 1984;25:689–95.

16 Austin HA, Boumpas DT, Vaughan EM, et al. Ciri-ciri berisiko tinggi lupus nefritis: kepentingan bangsa dan faktor klinikal dan histologi dalam 166 pesakit. Pemindahan Dail Nephrol 1995;10:1620–8.

17 Austin HA, Boumpas DT, Vaughan EM, et al. Meramalkan hasil buah pinggang dalam nefritis lupus teruk: sumbangan data klinikal dan histologi. Int Buah Pinggang 1994;45:544–50.

18 Schwartz MM, Bernstein J, Hill GS, et al. Nilai ramalan patologi buah pinggang dalam glomerulonefritis lupus proliferatif meresap. Kumpulan Kajian Kolaboratif lupus nefritis. Int Buah Pinggang 1989;36:891–6.

19 Rijnink EC, Teng YKO, Wilhelmus S, et al. Ciri-ciri klinikal dan histopatologi yang berkaitan dengan hasil buah pinggang dalam lupus nefritis. Clin J Am Soc Nephrol 2017;12:734–43.

20 Tang Y, Zhang W, Zhu M, et al. Ramalan patologi nefritis lupus dengan indeks klinikal. Sci Rep 2018;8:10231.

21 Wolf BJ, Spainhour JC, Arthur JM, et al. Pembangunan model biomarker untuk meramalkan hasil dalam nefritis lupus. Arthritis Rheumatol 2016;68:1955–63.

22 Lagu D, Wu L-Hua, Wang F-mei, et al. Spektrum mikroangiopati trombotik buah pinggang dalam nefritis lupus. Arthritis Res Ther 2013;15:R12. pada 27 Disember 2021, oleh tetamu. Dilindungi oleh hak cipta.