توسعه یک ابزار پیش‌بینی پاسخ نابهینه نفریت لوپوس با استفاده از متغیرهای آزمایشگاهی هیستوپاتولوژیک و بالینی کلیه در زمان تشخیص

لیندزی ان هلگت،^1,2 دیوید جی دیلون،¹ بتانی ولف،³لورا پی پارکز،¹ سالی ای سلف،⁴ایولین تی برونر،⁴ ایوان ای اوتس،⁵جیم سی اوتس

چکیده

هدف، واقعگرایانهنفریت لوپوس (LN) یکمصونبیماری گلومرولی و توبولو بینابینی با واسطه پیچیده در بیماران مبتلا به SLE. پیش‌بینی نتایج در شروع تشخیص LN می‌تواند تصمیم‌گیری در مورد شدت نظارت و درمان برای موفقیت درمان را راهنمایی کند. در حال حاضر، هیچ مدل یادگیری ماشینی از نتایج وجود ندارد. چندین کار مدل‌سازی نتایج از مدل‌سازی تک متغیره یا خطی استفاده کرده‌اند، اما به دلیل ناهمگونی بیماری محدود شده‌اند. ما فرض کردیم که ترکیبی از نتایج آسیب‌شناسی کلیه و داده‌های معمول آزمایشگاهی بالینی می‌تواند برای توسعه و تأیید اعتبار متقاطع یک ابزار پشتیبانی تصمیم اولیه یادگیری ماشینی معنادار بالینی استفاده شود که نتایج LN را در حدود 1 سال پیش‌بینی می‌کند.

مواد و روش هابرای پرداختن به این فرضیه، بیماران مبتلا به LN از یک رجیستری طولی آینده نگر در دانشگاه پزشکی کارولینای جنوبی که بین سال‌های 2003 و 2017 ثبت‌نام کرده بودند، در صورتی که نمونه‌برداری کلیوی داشتند با طبقه‌بندی پاتولوژیک انجمن بین‌المللی نفرولوژی/انجمن آسیب‌شناسی کلیه شناسایی شدند. مقادیر آزمایشگاهی بالینی در زمان تشخیص و متغیرهای نتیجه در حدود 1 سال ثبت شد. مدل‌های یادگیری ماشین برای پیش‌بینی پاسخ‌های کمتر از حد بهینه، توسعه یافته و تأیید شدند.

نتایجFive machine learning models predicted suboptimal response status in 10 times cross-validation with receiver operating characteristics area under the curve values >0.78. متغیرهای پیش بینی کننده التهاب بینابینی، فیبروز بینابینی، امتیاز فعالیت و امتیاز مزمن از آسیب شناسی کلیه و نسبت پروتئین به کراتینین ادرار، تعداد گلبول های سفید و هموگلوبین از آزمایشگاه های بالینی بودند. یک ابزار مبتنی بر وب برای پزشکان ایجاد شد تا این متغیرهای آزمایشگاهی بالینی پایه و هیستوپاتولوژی را وارد کنند تا امتیاز احتمالی پاسخ زیر بهینه را ایجاد کنند.

نتیجهبا توجه به ناهمگونی ارائه بیماری در LN، مهم است که مدل‌های پیش‌بینی خطر چندین عنصر داده را ترکیب کنند. این گزارش برای اولین بار یک ابزار اثبات مفهوم بالینی را ارائه می دهد که از پنج مدل پیش بینی کننده ترین استفاده می کند و درک آنها را از طریق یک برنامه کاربردی مبتنی بر وب ساده می کند.

مخاطب:joanna.jia@wecistanche.com

گیاه سیستانچدسرتیکولا جلوگیری می کندکلیهبیماری، برای دریافت نمونه اینجا را کلیک کنید

مقدمه

نفریت لوپوس (LN) یک بیماری گلومرولی و توبولو بینابینی با واسطه کمپلکس ایمنی در بیماران مبتلا به SLE است. تقریباً 50 درصد از بیماران مبتلا به SLE ایجاد می شوندکلیهعوارض مرتبط با آن، از جمله LN، و تا 48 درصد از مبتلایان به بیماری پرولیفراتیو منتشر می‌توانند طی 5 سال پس از تشخیص در بین آفریقایی‌آمریکایی‌ها به مرحله نهایی بیماری کلیوی پیشرفت کنند.1 کالج روماتولوژی آمریکا (ACR) در حال حاضر تغییر درمان را توصیه می‌کند. هنگامی که بیماران مبتلا به LN پس از 6 ماه درمان القایی به نظر می رسد که پاسخ نمی دهند.2 پزشکان از انواع نشانگرهای سرمی از جمله C3، C4، DNA ضد دو رشته ای (anti-dsDNA) و کراتینین و همچنین پروتئین ادرار استفاده می کنند. نسبت -به کراتینین و رسوب به نظارت بر پاسخ به درمان، اما پاسخ به درمان در دستورالعمل‌ها تعریف نشده است. در حالی که در این 6-کارآزمایی ماهانه درمان القایی، بیمارانی که پاسخ نمی‌دهند می‌توانند کلیه غیرقابل برگشت بیشتری ایجاد کنند. خسارت. یک ابزار پشتیبانی تصمیم مبتنی بر مدل‌های یادگیری ماشینی می‌تواند در تعیین ویژگی‌های پایه بیمارانی که احتمال کمتری برای پاسخ به درمان القایی دارند، مفید باشد. در حال حاضر، هیچ مدل یادگیری ماشینی مفیدی از نظر بالینی از نتایج سالانه 1- ایجاد نشده است. مدلسازی تک متغیره یا خطی نتایج را در این بیماری ناهمگن به خوبی پیش بینی نکرده است.

ما فرض کردیم که ترکیبی از نتایج پاتولوژی کلیه و داده‌های معمول آزمایشگاهی بالینی می‌تواند برای توسعه و تأیید اعتبار متقاطع یک ابزار پشتیبانی تصمیم‌گیری اولیه LN پیش‌بینی‌کننده پاسخ کمتر از حد مطلوب در حدود 1 سال در LN استفاده شود.

مواد و روش ها

جمعیت بیمار

داده‌های بیمار از گروه طولی آینده‌نگر مرکز تحقیقات بالینی دانشگاه پزشکی کارولینای جنوبی (MUSC) استخراج شد. پایگاه داده CCCR توسط NIH تحت مکانیسم P30 حمایت می شود و یک ثبت طولی و مخزن زیستی بیماران عمدتاً آفریقایی-آمریکایی مبتلا به SLE است. بیماران انتخاب شده در کلینیک های همکاری بین المللی ACR یا SLE برای SLE،{2}} توسط یک ارائه دهنده روماتولوژی در MUSC ارزیابی شدند و با ثبت نام در گروه موافقت کردند. پایگاه داده کوهورت طولی آینده نگر در سال 2003 ایجاد شد. معیارهای بیماری و داده های بیوپسی کلیه عمدتاً به صورت آینده نگر وارد شدند، اما برخی به صورت گذشته نگر از طریق بررسی نمودار اضافه شدند.

سیستانچمی تواند درمان کندنارسایی حاد کلیه

معیارهای ورود

بیماران همچنین در صورتی انتخاب شدند که انجمن بین‌المللی نفرولوژی/انجمن آسیب‌شناسی کلیه (ISN/RPS)، کلاس فعال، نفریت I، II، III، IV یا V را با استفاده از هیستوپاتولوژی، چه در تظاهرات اولیه LN یا با بدتر شدن LN نشان‌دهنده تجدیدنظر کرده بودند، انتخاب شدند. تکرار بیوپسی بین سال‌های 2003 و 2017.5 فقط بیمارانی که اطلاعات کامل آزمایشگاهی در زمان بیوپسی کلیه و تقریباً 12 ماه (7 تا 24 ماه) پس از بیوپسی کلیه در دسترس بود، در این مطالعه وارد شدند.

تجزیه و تحلیل آزمایشگاهی

مقادیر آزمایشگاهی به عنوان بخشی از مراقبت استاندارد بیمار به دست آمد. آزمایش‌های مربوط به 24-ساعت پروتئین ادرار، نسبت پروتئین به کراتینین، کراتینین سرم، آلبومین، هموگلوبین، تعداد گلبول‌های سفید، شمارش پلاکت، آنتی‌دی‌ان‌ای ضد dsDNA، C3 و C4 توسط آزمایشگاه‌های مرکزی تأیید شده اصلاحات آزمایشگاهی بالینی انجام شد. در MUSC، LabCorp، یا آزمایشگاه های بیمارستان خارجی. تخمین نرخ فیلتراسیون گلومرولی (eGFR) با استفاده ازمزمنکلیهمرضEpidemiology Collaboration (CKD-EPI) equation.6

تجزیه و تحلیل آسیب شناسی

بیوپسی کلیه توسط یکی از دو پاتولوژیست کلیه در MUSC (SES یا ETB) با استفاده از 2018 فعالیت ISN/RPS اصلاح شده (0-24) و مزمن (0-12) خوانده شد. ) عناصر شاخص (هر کدام امتیاز 0–3 برای 0 درصد،<25%, 25%–50%="" and="">50 درصد درگیری). 5 در شاخص فعالیت عبارتند از هیپرسلولی بودن اندوکاپیلاری، کاریورکسیس، نکروز فیبرینوئید، رسوبات هیالین، هلالهای سلولی یا فیبرو سلولی و التهاب بینابینی. نمرات برای هلال و نکروز دو برابر شد. در شاخص مزمنی نمره کل گلومرولواسکلروز، هلالهای فیبری، آتروفی توبولار و فیبروز بینابینی گنجانده شد.

داده گردانی

داده‌های پایگاه داده CCCR مستقیماً در پایگاه داده REDCap با استفاده از Data Transfer Service7 برای حذف خطاهای رونویسی مورد قضاوت قرار گرفتند. برخی از مقادیر آزمایشگاهی با بررسی نمودار پرونده الکترونیکی پزشکی و گزارش های آزمایشگاهی اسکن شده استخراج و به صورت دستی در پایگاه داده وارد شدند. برای اطمینان از خطای رونویسی، پنج درصد دوبار ورود داده های انتزاعی انجام شد<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

تحلیل آماری

متغیر نتیجه، عدم پاسخ کامل به درمان در حدود 1 سال بود. این نقطه زمانی انتخاب شد، زیرا متغیرهای پاسخ در 1 سال، سال‌های پاسخ طولانی‌مدت را در کارآزمایی‌های نفریت MAINTAIN و Euro-Lupus پیش‌بینی می‌کنند. 8 پاسخ با اصلاح معیارهای پاسخ ACR تعریف شد. قبلاً توسط ووفسی و همکاران شرح داده شد. 10 به طور خلاصه، این پاسخ کامل اصلاح شده شامل دستیابی به نسبت پروتئین ادرار به کراتینین است.<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="">

هدف این مطالعه شناسایی زیرمجموعه‌ای از پیش‌بینی‌کننده‌ها از مشخصات دموگرافیک بیمار و داده‌های آزمایشگاهی و بیوپسی اولیه بود که ویژگی‌های عملکرد پیش‌بینی خوبی را برای مجموعه‌ای از مدل‌های پیش‌بینی چند متغیره پاسخ زیر بهینه در حدود ۱ سال به همراه داشت. مدل‌های طبقه‌بندی چند متغیره در نظر گرفته شده در این مطالعه شامل رگرسیون لجستیک (LR)، طبقه‌بندی و درختان رگرسیون (CART)، جنگل تصادفی (RF)، ماشین‌های بردار پشتیبان با هسته‌های خطی، چند جمله‌ای و گاوسی (به ترتیب SVML، SVMP، و SVMR) بودند. بیز ساده (NB) و شبکه های عصبی مصنوعی (ANN). مدل های RF با استفاده از بسته "randomForest" مناسب بودند. مدل‌های LR با استفاده از بسته‌های «آمار» مناسب بودند. مدل‌های SVM و NB با استفاده از بسته 'e1{22}}71 مناسب بودند. مدل‌های شبکه عصبی مصنوعی با استفاده از «شبکه» موجود در R مناسب بودند.{2}} پارامترهای تنظیم برای مدل‌های مختلف در نظر گرفته شده قبل از توسعه مدل‌ها انتخاب شدند. یک جستجوی جامع اولیه از تمام ترکیبات تا 20 متغیر در نظر گرفته شد. با این حال، نتایج این جستجو نشان داد که بهترین عملکرد متوسط ​​زمانی رخ می‌دهد که مدل‌ها شامل هشت متغیر باشند (شکل تکمیلی آنلاین 2). بنابراین، انتخاب متغیر با استفاده از یک بررسی جامع از تمام زیرمجموعه های هشت پیش بینی کننده یا کمتر انجام شد. این عدد آستانه برای همه رویکردهای مدل‌سازی در نظر گرفته شد تا مدل‌ها در یک محیط بالینی شلوغ مفیدتر شوند. به طور خاص، عملکرد پیش‌بینی برای زیرمجموعه‌های پیش‌بینی‌کننده‌های هر مدل با استفاده از رویکرد 10- اعتبار متقاطع (CV) انجام شد. CV ده برابری داده ها را به 10 زیر مجموعه تقسیم می کند. مدل ها با استفاده از 9/10 داده ها آموزش داده می شوند و روی 1/10 باقی مانده از داده ها آزمایش می شوند و این برای هر زیر مجموعه تکرار می شود. ناحیه اعتبارسنجی متقابل زیر منحنی (cvAUC) میانگین AUC محاسبه شده برای هر زیرمجموعه 1/10 از داده های حذف شده در طول توسعه مدل است و نشان داده شده است که قوی تر از استفاده از رویکرد مجموعه آموزش-آزمون واحد است. 13 هدف شناسایی زیرمجموعه کوچکی از پیش‌بینی‌کننده‌ها با عملکرد پیش‌بینی خوب در بین مدل‌ها بود. cvAUC در همه مدل ها. حساسیت، ویژگی، ارزش اخباری مثبت و ارزش های اخباری منفی برای آستانه های انتخابی برای احتمال پیش بینی شده عدم پاسخ بازگشتی توسط هر مدل تعیین شد. تمام آنالیزها در R V.4.0.2 انجام شد. یک ابزار مبتنی بر وب R-Shiny بر اساس مدل‌های به‌دست‌آمده انتخاب شده ایجاد شد.

نتایج

در رجیستری، 149 بیمار اطلاعات بیوپسی کلیه را بین سال‌های 2003 و 2017 در دسترس داشتند. از این تعداد، 83 بیمار مبتلا به LN داده‌های پاسخ کلیوی پایه و تقریباً 1- سال پیگیری بین 7.5 تا 24 ماه داشتند (شکل تکمیلی آنلاین 1) . سه با پیگیری<7 months="" and="" four="" with="" follow-up="">2 سال حذف شدند. تقریباً نیمی از شرکت کنندگان در 1 سال به عنوان پاسخ دهندگان کمتر از حد مطلوب طبقه بندی شدند. ویژگی های شرکت کننده بر اساس پاسخ درمانی در جدول 1 گزارش شده است.

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 و شامل مدل‌های LR، RF، SVML، SVMR و ANN است. جدول 3 زیر مجموعه cvAUC ها و پیش بینی کننده ها را برای پنج مدل با cvAUC بالا نشان می دهد. جدول 4 حساسیت و ویژگی هر مدل را نشان می دهد و بر اساس میانگین پیش بینی در هر پنج مدل در سه آستانه است. التهاب بینابینی ثابت ترین پیش بینی کننده بود و در هر پنج مدل گنجانده شد. امتیاز فعالیت و فیبروز بینابینی نیز نسبتاً سازگار بودند و در همه به جز مدل RF گنجانده شدند. منحنی‌های عملکرد گیرنده (ROC) بر اساس پیش‌بینی {{4} برابر CV از هر یک از پنج مدل انتخاب شده در شکل 1 نشان داده شده است. شکل 2 عملکرد (حساسیت و ویژگی) میانگین همه مدل‌های مبتنی بر را نشان می‌دهد. در آستانه پیش بینی انتخاب شده مدل‌های CART، SVMP و NB همگی دارای cvAUC بودند<0.7 and="" were="" excluded="" from="" further="">

با استفاده از هفت متغیر سازگار، یک برنامه کاربردی مبتنی بر وب با R shiny ایجاد شد تا به عنوان یک ابزار بالینی عمل کند و می‌توانید در اینجا پیدا کنید: (https://histologyapp. shinyapps.io/LN_histology{{2 }}پیش‌بینی_ابزار/). در برنامه، نمونه ای از داده های یک بیمار به طور پیش فرض نمایش داده می شود. برای ارزیابی بیمار جدید، کاربران می توانند مقادیر بافت شناسی و آزمایشگاهی بالینی به دست آمده در زمان بیوپسی را وارد کنند. نمودار حاصل، احتمال پیش‌بینی‌شده عدم پاسخگویی هر مدل را در آستانه 0.5، به صورت نقاط رنگی نشان می‌دهد. اندازه هر نقطه نشان دهنده ROC AUC در مجموعه اعتبارسنجی است. نمودارهای جعبه در صفحه نمای کلی نشان دهنده میانه (خط)، IQR (جعبه) و صدک 25 و 75 ± 1.5 برابر IQR (سبیل) امتیازات احتمال برای پاسخ بهینه در بیماران فردی در گروه های پاسخ دهنده و بدون پاسخ است. در مجموعه های اعتبارسنجی (همچنین در شکل 2A نشان داده شده است). هر نقطه رنگی نشان دهنده یک پیش‌بینی مدل واحد از بیمار است که در زمینه عملکرد مدل در مجموعه اعتبارسنجی مشاهده می‌شود. X سیاه نشان دهنده میانگین احتمال پیش بینی شده عدم پاسخگویی هر پنج مدل است.

بحث

مطالعه ما مشخص کرد که یادگیری ماشینی می‌تواند برای توسعه مدل‌های تایید شده متقاطع با پیش‌بینی خوب پاسخ غیربهینه به درمان در بیماران مبتلا به LN، عمدتاً آفریقایی‌تبار، استفاده شود. این مدل‌ها با استفاده از آزمایشگاه بالینی و عناصر هیستوپاتولوژیک در زمان تشخیص ایجاد شدند. کاربرد ویژگی های هیستوپاتولوژیک فردی برای پیش بینی نتایج در نفریت لوپوس پرولیفراتیو منتشر به خوبی توصیف شده است. کار قبلی قدرت پیش‌بینی امتیاز شاخص فعالیت مرکب را در پیشرفت به نارسایی کلیوی نشان داده است، با ویژگی‌های بافت‌شناسی فردی فعالیت مانند هلال‌های سلولی و نکروز فیبرینوئید که ارتباط مثبتی با نارسایی کلیوی نشان می‌دهد. از آنجایی که فیبروز بینابینی، اسکلروز گلومرولی و هلال های فیبری نیز پیش بینی کننده بودند، با تغییر آتروفیک توبولی مشخص شد که ارزش پیشگویی بالایی با توجه به پیشرفت به نارسایی کلیوی دارد. افزودن عناصر داده های بالینی، به ویژه کراتینین سرم، هماتوکریت، و نژاد. ویژگی‌های بافت‌شناسی پیش‌بینی را در کارهای بعدی بهبود بخشید، در حالی که مطالعات دیگر نشان دادند که استفاده از شاخص‌های فعالیت مستقل یا مزمن در پیش‌بینی پاسخ کافی نبود. 16-19 رویکردهای اخیر یادگیری ماشین از رگرسیون چند خطی و مدل‌سازی جنگل تصادفی برای پیش‌بینی طبقه‌بندی آسیب‌شناختی، فعالیت و مزمن بودن از مقادیر آزمایشگاهی بالینی استفاده کرده‌اند. 1 سال.

گیاه اژدها سیستانچ برای کلیه

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 در پنج مدل. این مطالعه از این نظر منحصر به فرد است که عناصر امتیاز فعالیت فردی و مزمن در مدل‌های یادگیری ماشینی مورد استفاده قرار گرفتند. این توسط ادبیات قبلی که استفاده از آنها را به صورت جداگانه توصیف کرده است پشتیبانی می شود

نتایج این مدل‌سازی پیش‌بینی باید در زمینه بالینی مناسب تفسیر شود. وجود فیبروز بینابینی بالا با امتیاز فعالیت کم یک آسیب مزمن احتمالی است که برای جلوگیری از بدتر شدن بیشتر به جای بازگرداندن عملکرد کلیوی، از سرکوب سیستم ایمنی استفاده می شود. با این حال، افرادی که امتیازات فعالیت بالایی دارند ممکن است با درمان‌های سرکوب‌کننده سیستم ایمنی ترکیبی مورد بررسی قرار گیرند یا برای بهبود یا حفظ عملکرد کلیه، زودتر برای افزودن درمان‌های خط دوم کنترل شوند. با توجه به اینکه این داده ها گذشته نگر بودند، نمی دانیم که آیا استفاده از پیش بینی ها برای هدایت تصمیمات در مورد درمان القایی، نتایج را تغییر می دهد یا خیر. همانطور که اغلب در مدیریت بیماران مبتلا به بیماری خودایمنی اتفاق می افتد، برای یک پزشک مناسب نیست که در مورد انتخاب درمان بر اساس این امتیاز پیش بینی بدون در نظر گرفتن زمینه بالینی تصمیم گیری کند. با این حال، پیش‌بینی عدم پاسخ می‌تواند برای تغییر فرکانس نظارت برای پاسخ و هماهنگی مراقبت برای اطمینان از پایبندی به دارو استفاده شود.

همچنین می‌توان در تصمیم‌گیری برای اضافه کردن یا تغییر درمان به دلیل عدم پاسخ در مقاطع زمانی زودتر از ۶ ماه توصیه‌شده طبق دستورالعمل‌های ACR در نظر گرفت.

این مطالعه دارای چندین محدودیت است. اطلاعات مورد استفاده برای مدل سازی نتایج بیشتر از بیماران آفریقایی تبار بدست آمد. بنابراین، استفاده در عمل بالینی ممکن است به این جمعیت شناسی محدود شود. در حالی که داده های طولی در این مطالعه به صورت آینده نگر جمع آوری شد، تجزیه و تحلیل گذشته نگر بود. در حالی که میکروآنژیوپاتی ترومبوتیک با نتایج مطالعات قبلی همراه بوده است، 22 تعداد بیوپسی با این یافته (پنج) اهمیت آن را در مدل ها محدود می کند. کمک تصمیم گیری ارائه شده در اینجا به صورت آینده نگر برای تعیین اینکه آیا تغییر استراتژی درمان بر اساس نمرات پیش بینی نتایج را بهبود می بخشد استفاده نشده است. در پیش‌بینی نتایج بلندمدت ارزیابی نشده است و بنابراین نباید برای پیش‌بینی نتایج سالانه > 1- استفاده شود. با این حال، نتایج 1-سال با پیامدهای بلندمدت در کارآزمایی‌های MAINTAIN و نفریت یورو-لوپوس همراه بوده است. 8 انتخاب بیماران برای گنجاندن در این مطالعه می‌تواند نتایج را سوگیری کند. به عنوان مثال، افرادی که بیماری کلیوی پیشرونده سریعتری دارند، بیشتر احتمال دارد بیوپسی دریافت کنند. کسانی که در سوابق پزشکی دارای پی‌گیری اولیه و تقریباً {7}}ساله هستند، ممکن است به نتایج مطلوب‌تری تعصب داشته باشند. ما نمی‌توانستیم تأثیر داروها بر نتایج را به‌طور دقیق مطالعه کنیم، زیرا اکثر بیماران مایکوفنولات یا اسید مایکوفنولیک دریافت کردند.

با توجه به ناهمگونی ارائه بیماری در LN، مهم است که مدل‌های پیش‌بینی خطر چندین عنصر داده را ترکیب کنند. این گزارش برای اولین بار یک ابزار بالینی را ارائه می دهد که از پنج مدل پیش بینی کننده استفاده می کند و درک آنها را از طریق یک برنامه کاربردی مبتنی بر وب ساده می کند. با مدل‌های پیش‌بینی ارائه‌شده در اینجا، ما اثبات مفهومی را برای ابزاری ارائه می‌کنیم که می‌تواند هم فراوانی نظارت را اطلاع دهد و هم بحث‌ها را با بیماران در مورد انتخاب درمان تسهیل کند. نظارت دقیق‌تر یا بکارگیری هماهنگی مراقبت برای افرادی که پیش‌بینی می‌شود پاسخی کمتر از حد مطلوب به درمان داشته باشند، پتانسیل بهبود نتایج را دارد، اما باید در آینده‌نگر آزمایش شوند.

اکتئوزیدکه درسیستانچاثرات خوبی بر روی داردکلیه

منابع

1 دولی MA، هوگان اس، جنت سی، و همکاران. درمان سیکلوفسفامید برای نفریت لوپوس: بقای کلیوی ضعیف در سیاهپوستان آمریکایی شبکه همکاری بیماری گلومرولی کلیه Int 1997؛ 51: 1188-95.

2 Hahn BH، McMahon MA، Wilkinson A، و همکاران. راهنمای کالج روماتولوژی آمریکا برای غربالگری، درمان و مدیریت نفریت لوپوس. آرتریت مراقبت 2012؛ 64: 797-808.

3 هوچبرگ ام سی. به روز رسانی کالج آمریکایی روماتولوژی معیارهای اصلاح شده برای طبقه بندی لوپوس اریتماتوز سیستمیک. آرتریت روم 1997؛ 40:1725.

4 Isenberg D، Wallace DJ، Nived O. استخراج و اعتبارسنجی معیارهای طبقه بندی کلینیک های همکار بین المللی لوپوس سیستمیک برای لوپوس اریتماتوز سیستمیک. آرتریت روم 2012؛ 64.

5 Bajema IM، Wilhelmus S، Alpers CE، و همکاران. بازبینی طبقه‌بندی انجمن بین‌المللی نفرولوژی/کلیه برای نفریت لوپوس: شفاف‌سازی تعاریف و اصلاح‌شده مؤسسه‌های ملی فعالیت سلامت و شاخص‌های مزمن. کلیه Int 2018؛ 93:789-96.

6 پی ایکس، یانگ دبلیو، وانگ اس، و همکاران. استفاده از الگوریتم های ریاضی برای اصلاح معادلات تخمین نرخ فیلتراسیون گلومرولی PLoS One 2013; 8:e57852.

7 هریس PA، تیلور R، Thielke R، و همکاران. جمع‌آوری داده‌های الکترونیکی تحقیقاتی (REDCap)--روش‌شناسی و فرآیند گردش کار مبتنی بر فراداده برای ارائه پشتیبانی از انفورماتیک تحقیق ترجمه‌ای. J Biomed Inform 2009؛ 42:377-81.

8 Ugolini-Lopes MR، Seguro LPC، Castro MXF، و همکاران. پاسخ پروتئینوری اولیه: یک وضعیت واقعی واقعی پیش بینی کننده پیامد کلیوی طولانی مدت لوپوس در یک گروه قومی متفاوت با نفریت شدید اثبات شده توسط بیوپسی. Lupus Sci Med 2017;4:e000213.

9 کمیته فرعی بیماری کلیوی کمیته موقت کالج روماتولوژی آمریکا در مورد معیارهای پاسخ به لوپوس اریتماتوز سیستمیک. معیارهای پاسخ کالج روماتولوژی آمریکا برای بیماری کلیوی پرولیفراتیو و غشایی در آزمایشات بالینی لوپوس اریتماتوز سیستمیک. آرتریت روم 2006؛ 54:421-32. در تاریخ 27 دسامبر 2021 توسط مهمان. توسط کپی رایت محافظت می شود. در 24 آگوست 2021. دانلود شده از Helget LN، و همکاران. علم و پزشکی لوپوس 2021؛ 8:e000489. doi:10.1136/lupus{14}} علم و پزشکی لوپوس

10 Wofsy D، Hillson JL، Diamond B. مقایسه معیارهای پیامد اولیه جایگزین برای استفاده در کارآزمایی‌های بالینی نفریت لوپوس. آرتریت روم 2013؛ 65: 1586-91.

11 تیم RC. زبان و محیطی برای محاسبات آماری، 2020. موجود:

12 Liaw A, Wiener M. طبقه بندی و رگرسیون توسط جنگل تصادفی. R News 2002؛ 2:18-22.

13 هستی تی، تیبشیرانی آر، فریدمن جی اچ. عناصر یادگیری آماری: داده کاوی، استنتاج و پیش بینی: با 200 تصویر تمام رنگی. نیویورک: اسپرینگر، 2001.

14 LeDell E, Petersen M, van der Laan M. فواصل اطمینان کارآمد محاسباتی برای منطقه معتبر متقابل تحت برآورد منحنی ROC. Electron J Stat 2015؛ 9:1583-607.

15 آستین HA، Muenz LR، Joyce KM، و همکاران. نفریت لوپوس پرولیفراتیو منتشر: شناسایی ویژگی های پاتولوژیک خاص موثر بر نتیجه کلیوی. کلیه Int 1984؛ 25:689-95.

16 آستین HA، Boumpas DT، Vaughan EM، و همکاران. ویژگی‌های پرخطر نفریت لوپوس: اهمیت نژاد و عوامل بالینی و بافت‌شناسی در 166 بیمار. Nephrol Dial Transplant 1995؛ 10:1620-8.

17 آستین HA، Boumpas DT، Vaughan EM، و همکاران. پیش‌بینی پیامدهای کلیوی در نفریت لوپوس شدید: مشارکت داده‌های بالینی و بافت‌شناسی کلیه Int 1994؛ 45:544-50.

18 شوارتز MM، برنشتاین جی، هیل جی اس، و همکاران. ارزش پیش بینی آسیب شناسی کلیه در گلومرولونفریت لوپوس پرولیفراتیو منتشر گروه مطالعه مشترک نفریت لوپوس. Kidney Int 1989؛ 36:891-6.

19 Rijnink EC، Teng YKO، Wilhelmus S، و همکاران. ویژگی های بالینی و هیستوپاتولوژیک مرتبط با پیامدهای کلیوی در نفریت لوپوس Clin J Am Soc Nephrol 2017؛ 12:734-43.

20 تانگ Y، ژانگ دبلیو، ژو ام، و همکاران. پیش‌بینی پاتولوژی نفریت لوپوس با شاخص‌های بالینی. Sci Rep 2018; 8:10231.

21 Wolf BJ، Spainhour JC، Arthur JM، و همکاران. توسعه مدل‌های نشانگر زیستی برای پیش‌بینی نتایج در نفریت لوپوس آرتریت روماتول 2016؛ 68: 1955-63.

22 Song D، Wu L-Hua، Wang F-mei، و همکاران. طیف میکروآنژیوپاتی ترومبوتیک کلیه در نفریت لوپوس Arthritis Res Ther 2013؛ 15: R12. در تاریخ 27 دسامبر 2021 توسط مهمان. توسط کپی رایت محافظت می شود.