Utvikling av en lupus nefritis Suboptimal respons prediksjonsverktøy ved bruk av nyrehistopatologiske og kliniske laboratorievariabler på diagnosetidspunktet

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

ABSTRAKT

ObjektivLupus nefritt (LN) er enimmunkompleksmediert glomerulær og tubulointerstitiell sykdom hos pasienter med SLE. Prediksjon av utfall ved starten av LN-diagnose kan veilede beslutninger angående intensiteten av overvåking og terapi for suksess i behandlingen. For øyeblikket finnes det ingen maskinlæringsmodell for resultater. Flere utfallsmodelleringsarbeider har brukt univariat eller lineær modellering, men var begrenset av sykdommens heterogenitet. Vi antok at en kombinasjon av nyrepatologiresultater og rutinemessige kliniske laboratoriedata kunne brukes til å utvikle og kryssvalidere et klinisk meningsfullt maskinlæringsverktøy for tidlig beslutningsstøtte som forutsier LN-utfall etter omtrent 1 år.

MetoderFor å adressere denne hypotesen ble pasienter med LN fra et prospektivt longitudinalt register ved Medical University of South Carolina registrert mellom 2003 og 2017 identifisert hvis de hadde nyrebiopsier med International Society of Nephrology/Renal Pathology Society patologisk klassifisering. Kliniske laboratorieverdier ved diagnosetidspunktet og utfallsvariabler ved ca. 1 år ble registrert. Maskinlæringsmodeller ble utviklet og kryssvalidert for å forutsi suboptimale svar.

ResultaterFive machine learning models predicted suboptimal response status in 10 times cross-validation with receiver operating characteristics area under the curve values >0.78. De mest prediktive variablene var interstitiell inflammasjon, interstitiell fibrose, aktivitetsskåre og kronisitetsskåre fra nyrepatologi og urinprotein-til-kreatinin-forhold, antall hvite blodlegemer og hemoglobin fra de kliniske laboratoriene. Et nettbasert verktøy ble laget for klinikere for å legge inn disse grunnleggende kliniske laboratorie- og histopatologivariablene for å gi en sannsynlighetsscore for suboptimal respons.

KonklusjonGitt heterogeniteten til sykdomspresentasjonen i LN, er det viktig at risikoprediksjonsmodeller inkluderer flere dataelementer. Denne rapporten gir for første gang et klinisk proof-of-concept-verktøy som bruker de fem mest prediktive modellene og forenkler forståelsen av dem gjennom en nettbasert applikasjon.

Ta kontakt med:joanna.jia@wecistanche.com

Cistanche herbadeserticola forhindrernyresykdom, klikk her for å få prøven

INTRODUKSJON

Lupus nefritis (LN) er en immunkompleksmediert glomerulær og tubulointerstitiell sykdom hos pasienter med SLE. Omtrent 50 prosent av pasientene med SLE utvikler segnyre-relaterte komplikasjoner, inkludert LN, og opptil 48 prosent av de med den diffuse proliferative sykdommen kan utvikle seg til nyresykdom i sluttstadiet innen 5 år etter diagnosen blant afroamerikanere.1 American College of Rheumatology (ACR) anbefaler for tiden å endre terapi når pasienter med LN anses som ikke-responderende etter 6 måneders induksjonsterapi.2 Klinikere bruker en rekke serummarkører, inkludert C3, C4, anti-dobbeltstrenget DNA (anti-dsDNA) og kreatinin, samt urinprotein -til-kreatininforhold og sediment for å overvåke respons på terapi, men responsen på terapi er ikke definert i retningslinjene.2 Mens i denne 6-månedsstudien med induksjonsterapi, kan pasienter som ikke reagerer utvikle ytterligere irreversibel nyre skader. Et beslutningsstøtteverktøy basert på maskinlæringsmodeller kan være nyttig for å bestemme grunnlinjekarakteristikkene til pasienter som har mindre sannsynlighet for å svare på induksjonsterapi. Foreløpig er det ikke utviklet noen klinisk nyttig maskinlæringsmodell for 1-årsresultater. Univariat eller lineær modellering har ikke spådd utfall godt i denne heterogene sykdommen.

Vi antok at en kombinasjon av nyrepatologiresultater og rutinemessige kliniske laboratoriedata kunne brukes til å utvikle og kryssvalidere et tidlig LN-beslutningsstøtteverktøy som forutsier suboptimal respons etter omtrent 1 år i LN.

METODER

Pasientpopulasjon

Pasientdata ble hentet fra Medical University of South Carolina (MUSC) Core Center for Clinical Research (CCCR) prospektiv langsgående kohort. CCCR-databasen er sponset av NIH under P30-mekanismen og er et langsgående register og biorepositorium for hovedsakelig afroamerikanske pasienter med SLE. Pasienter som ble valgt oppfylt ved ACR- eller SLE International Cooperating Clinics-kriteriene for SLE,3 4 ble evaluert av en revmatolog ved MUSC og ble enige om å bli registrert i kohorten. Den prospektive longitudinelle kohortdatabasen ble opprettet i 2003. Sykdomskriterier og nyrebiopsidata ble i stor grad lagt inn prospektivt, men noen ble lagt til retrospektivt gjennom kartgjennomgang.

cistanchekan behandleakutt nyresvikt

Inklusjonskriterier

Pasienter ble også valgt hvis de hadde revidert International Society of Nephrology/Renal Pathology Society (ISN/RPS), aktiv klasse, I, II, III, IV eller V nefritis ved histopatologi enten ved første presentasjon av LN eller med en forverring av LN, noe som indikerer gjentatt biopsi mellom 2003 og 2017.5 Kun pasienter med fullstendige laboratoriedata tilgjengelig på tidspunktet for nyrebiopsi og ca. 12 måneder (7–24 måneder) etter nyrebiopsi ble inkludert i studien.

Laboratorieanalyse

Laboratorieverdier ble innhentet som en del av standard pasientbehandling. Tester for 24-timers urinprotein, protein til kreatinin-forhold, serumkreatinin, albumin, hemoglobin, antall hvite blodlegemer, antall blodplater, anti-dsDNA, C3 og C4 ble utført av Clinical Laboratory Improvement Amendments-sertifiserte sentrallaboratorier ved MUSC, LabCorp eller eksterne sykehuslaboratorier. Den estimerte glomerulære filtrasjonshastigheten (eGFR) ble bestemt ved å brukeKroniskNyreSykdomEpidemiology Collaboration (CKD-EPI) ligning.6

Patologisk analyse

Nyrebiopsier ble lest av en av to nyrepatologer ved MUSC (SES eller ETB) ved bruk av 2018 reviderte ISN/RPS-aktivitet (0–24) og kronisitet (0–12 ) indekselementer (hver scoret 0–3 for 0 prosent ,<25%, 25%–50%="" and="">50 prosent involvering).5 Inkludert i aktivitetsindeksen er endokapillær hypercellulæritet, karyorrhexis, fibrinoid nekrose, hyaline avleiringer, cellulære eller fibrocellulære halvmåner og interstitiell betennelse. Poengene ble doblet for halvmåner og nekrose. Inkludert i kronisitetsindeksen var total glomerulosklerose-score, fibrøse halvmåner, tubulær atrofi og interstitiell fibrose.

Data håndtering

Data for CCCR-databasen ble direkte dømt inn i REDCap-databasen ved å bruke Data Transfer Service7 for å eliminere transkripsjonsfeil. Noen laboratorieverdier ble hentet ut ved kartgjennomgang av elektronisk journal og skannede laboratorierapporter og ble lagt inn manuelt i databasen. En fem prosent dobbel oppføring av abstraherte data ble utført for å sikre transkripsjonsfeil<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

Statistisk analyse

Utfallsvariabelen var manglende fullstendig respons på terapi etter omtrent 1 år. Dette tidspunktet ble valgt, ettersom variabler for respons ved 1 år er prediktive for langsiktige responsår i MAINTAIN- og Euro-Lupus Nephritis Trials.8 Responsen ble definert ved en modifikasjon av ACR-responskriteriene.9 Modifikasjonene av disse kriteriene ble tidligere beskrevet av Wofsy et al. 10 Kort fortalt inkluderer denne modifiserte fullstendige responsen å oppnå et urinprotein-til-kreatinin-forhold på<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="">

Målet for denne studien var å identifisere en sparsom undergruppe av prediktorer fra pasientdemografi og baseline laboratorie- og biopsidata som ga gode prediksjonsegenskaper for et sett med multivariable prediksjonsmodeller med suboptimal respons etter omtrent 1 år. Multivariable klassifikasjonsmodeller som ble vurdert i denne studien inkluderte logistisk regresjon (LR), klassifiserings- og regresjonstrær (CART), tilfeldig skog (RF), støttevektormaskiner med lineære, polynomiske og Gaussiske kjerner (henholdsvis SVML, SVMP og SVMR), naive Bayes (NB) og kunstige nevrale nettverk (ANN). RF-modeller ble tilpasset ved å bruke "randomForest"-pakken; LR-modeller ble tilpasset ved å bruke 'statistikk'-pakkene; SVM-er og NB-modeller ble tilpasset med pakken 'e1071'; ANNs modeller ble tilpasset ved å bruke "nett" tilgjengelig i R.11 12 Innstillingsparametere for de forskjellige modellene som ble vurdert, ble valgt før modellene ble utviklet. Et innledende uttømmende søk av alle kombinasjoner av opptil 20 variabler ble vurdert. Resultatene fra dette søket fant imidlertid at den beste gjennomsnittlige ytelsen fant sted når modellene inkluderte åtte variabler (tilleggsfigur 2 på nett). Variabelutvalget ble derfor utført ved å bruke en uttømmende undersøkelse av alle undergrupper av åtte eller færre prediktorer. Dette terskeltallet ble vurdert for alle modelleringstilnærminger for å gjøre modellene mer nyttige i en travel klinisk setting. Spesifikt ble prediksjonsytelsen for hver modells delsett av prediktorer utført ved å bruke 10-fold kryssvalidering (CV)-tilnærming. Ti-fold CV deler dataene inn i 10 delsett. Modeller trenes ved å bruke 9/10 av dataene og testes på den resterende 1/10 av dataene, og dette gjentas for hvert delsett. Det kryssvaliderte området under kurven (cvAUC) er gjennomsnittlig AUC beregnet for hver undergruppe av 1/10 av dataene som er ekskludert under modellutvikling, og har vist seg å være mer robust enn bruken av en enkelt treningstest-tilnærming. 13 Målet var å identifisere et lite undersett av prediktorer med god prediksjonsytelse på tvers av modellene.14 Prediksjonsytelse ble målt ved 10-fold cvAUC, og den beste undergruppen av åtte variabler ble valgt som undergruppen som resulterte i det høyeste gjennomsnittet cvAUC på tvers av alle modeller. Sensitivitet, spesifisitet, positiv prediktiv verdi og negative prediktive verdier ble bestemt for utvalgte terskler for den predikerte sannsynligheten for manglende respons returnert av hver modell. Alle analyser ble utført i R V.4.0.2. Et R-Shiny, nettbasert verktøy ble laget basert på de resulterende modellene som ble valgt.

RESULTATER

Innenfor registeret hadde 149 pasienter informasjon om nyrebiopsi tilgjengelig mellom 2003 og 2017. Av disse hadde 83 pasienter med LN baseline og ca. 1-års oppfølgingsdata om nyrerespons mellom 7,5 og 24 måneder (online supplerende figur 1) . Tre med oppfølging<7 months="" and="" four="" with="" follow-up="">2 år ble ekskludert. Omtrent halvparten av deltakerne ble klassifisert som suboptimale respondere etter 1 år. Deltakerkarakteristikker etter behandlingsrespons er rapportert i tabell 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 og inkluderte LR-, RF-, SVML-, SVMR- og ANN-modellene. Tabell 3 viser cvAUCs og prediktorer undersett for de fem modellene med høy cvAUC. Tabell 4 viser sensitiviteten og spesifisiteten til hver modell og er basert på gjennomsnittlig prediksjon på tvers av alle fem modellene ved tre terskler hver. Interstitiell betennelse var den mest konsistente prediktoren og ble inkludert i alle fem modellene. Aktivitetsskår og interstitiell fibrose var også relativt konsistente og ble inkludert i alle bortsett fra RF-modellen. Mottakerdriftskarakteristikkene (ROC)-kurvene basert på 10-fold CV-prediksjon fra hver av de fem valgte modellene er vist i figur 1. Figur 2 viser ytelsen (sensitivitet og spesifisitet) til gjennomsnittet av alle modellene basert. på den valgte prediksjonsterskelen. CART-, SVMP- og NB-modellene hadde alle cvAUC-er<0.7 and="" were="" excluded="" from="" further="">

Ved å bruke de syv mest konsistente variablene ble det opprettet en nettbasert applikasjon med R shiny for å tjene som et klinisk verktøy og kan finnes her: (https://histologyapp. shinyapps.io/LN_histology{{2} }}prediksjons_verktøy/). I applikasjonen vises et eksempel på en pasients data som standard. For å evaluere en ny pasient, kan brukere angi histologiske og kliniske laboratorieverdier oppnådd på tidspunktet for biopsi. Den resulterende grafen viser, som fargede prikker, den predikerte sannsynligheten for manglende respons for hver modell ved en terskel på 0.5. Størrelsen på hver prikk gjenspeiler ROC AUC i valideringssettet. Boksplottene på oversiktssiden representerer medianen (linje), IQR (boks) og 25. og 75. persentil ±1,5 ganger IQR (whiskers) av sannsynlighetsskårer for suboptimal respons hos individuelle pasienter i responder- og ikke-respondergruppene i valideringssettene (også vist i figur 2A). Hver farget prikk representerer en enkelt modellprediksjon av pasienten sett i sammenheng med ytelsen til modellen i valideringssettet. Den svarte "X" representerer den gjennomsnittlige predikerte sannsynligheten for manglende respons for alle fem modellene.

DISKUSJON

Vår studie fastslo at maskinlæring kan brukes til å utvikle kryssvaliderte modeller med en god prediksjon av suboptimal respons på terapi hos pasienter med LN, hovedsakelig av afrikansk avstamning. Disse modellene ble utviklet ved bruk av lett tilgjengelige kliniske laboratorie- og histopatologiske elementer på diagnosetidspunktet. Nytten av individuelle histopatologiske trekk for å forutsi utfall ved diffus proliferativ lupusnefritt er godt beskrevet. Tidligere arbeid har vist den prediktive styrken til sammensatt aktivitetsindeksscore i progresjon til nyresvikt, med individuelle histologiske trekk ved aktivitet som cellulære halvmåner og fibrinoid nekrose som viser positive assosiasjoner til nyresvikt.15 Sammensetningen av kronisitetsindeks så vel som individuelle trekk som f. som interstitiell fibrose, glomerulær sklerose og fibrøse halvmåner var også prediktive, med tubulær atrofisk endring som ble bestemt å være av spesielt høy prediktiv verdi med hensyn til progresjon til nyresvikt.15 Tilsetning av kliniske dataelementer, spesielt serumkreatinin, hematokrit og rase til histologiske trekk forbedret prediksjon i påfølgende arbeid, mens andre studier viste at bruk av frittstående aktivitets- eller kronisitetsindekser var utilstrekkelig til å forutsi respons. 16–19 Nyere maskinlæringstilnærminger har brukt multilineær regresjon og tilfeldig skogmodellering for å forutsi patologisk klassifisering, aktivitet og kronisitet fra kliniske laboratorieverdier og har vist lovende.20 Denne studien utvider denne tilnærmingen ved å bruke patologiske variabler for å forutsi et utfall ved ca. 1 år.

drage urter cistanche for nyre

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 i fem modeller. Denne studien er unik ved at individuelle aktivitets- og kronisitetspoengelementer ble brukt i maskinlæringsmodeller. Dette støttes av tidligere litteratur som beskriver bruken individuelt.15

Resultatene av denne prediksjonsmodelleringen bør tolkes i riktig klinisk kontekst. Tilstedeværelsen av høy interstitiell fibrose med lav aktivitetsscore er en sannsynlig indikativ kronisk skade der immunsuppresjon vil bli brukt for å forhindre ytterligere forverring i stedet for å gjenopprette nyrefunksjonen. Imidlertid kan de med høye aktivitetsskårer bli kontaktet med kombinasjonsimmunsuppressive terapier eller overvåket for tillegg av andrelinjebehandlinger tidligere for å forbedre eller bevare nyrefunksjonen. Gitt at disse dataene var retrospektive, vet vi ikke om bruk av spådommene for å veilede beslutninger om induksjonsterapi vil endre utfall. Som ofte er tilfellet ved behandling av pasienter med autoimmun sykdom, ville det ikke være hensiktsmessig for en kliniker å ta beslutninger om valg av terapi basert på denne prediksjonsskåren uten å ta hensyn til den kliniske konteksten. En prediksjon av manglende respons kan imidlertid brukes til å endre frekvensen av overvåking for respons og omsorgskoordinering for å sikre medisinoverholdelse.

Det kan også vurderes i beslutninger om å legge til eller endre terapi for manglende respons på tidligere tidspunkt enn de anbefalte 6 månedene i henhold til ACR-retningslinjene.

Denne studien har flere begrensninger. Informasjonen som ble brukt til å modellere utfall kom hovedsakelig fra pasienter av afrikansk avstamning. Derfor kan bruk i klinisk praksis være begrenset til denne demografien. Mens de longitudinelle dataene i denne studien ble samlet inn prospektivt, var analysen retrospektiv. Mens trombotisk mikroangiopati har vært assosiert med utfall i tidligere studier22, begrenset antallet biopsier med dette funnet (fem) betydningen i modellene. Beslutningshjelpen som presenteres her har ikke blitt brukt prospektivt for å avgjøre om endring av behandlingsstrategi basert på prediksjonsscore forbedrer resultatene. Den har ikke blitt evaluert i prediksjonen av langsiktige utfall og bør derfor ikke brukes til å forutsi > 1-årsutfall. Imidlertid har 1-årsutfall blitt assosiert med langsiktige utfall i MAINTAIN- og Euro-Lupus Nephritis-studiene.8 Valg av pasienter for inkludering i denne studien kan påvirke resultatene. For eksempel er det mer sannsynlig at de med raskere progredierende nyresykdom får en biopsi. De med baseline og ca. 1-års oppfølging tilgjengelig i journalen kan være partiske til mer gunstige utfall. Vi kunne ikke grundig studere effekten av medisiner på utfall, da de fleste pasienter fikk mykofenolat eller mykofenolsyre.

Gitt heterogeniteten til sykdomspresentasjonen i LN, er det viktig at risikoprediksjonsmodeller inkluderer flere dataelementer. Denne rapporten gir for første gang et klinisk verktøy som bruker de fem mest prediktive modellene og forenkler forståelsen av dem gjennom en nettbasert applikasjon. Med prediksjonsmodellene som er foreslått her, presenterer vi et proof of concept for et verktøy som kan informere både om frekvensen av overvåking og lette diskusjoner med pasienter om valg av terapi. Mer nøye overvåking eller utplassering av omsorgskoordinering for de som er spådd å ha en suboptimal respons på terapi har potensial til å forbedre resultatene, men bør testes prospektivt.

akteosidicistancheha god effekt pånyre

REFERANSER

1 Dooley MA, Hogan S, Jennette C, et al. Cyklofosfamidbehandling for lupus nefritis: dårlig nyreoverlevelse hos svarte amerikanere. glomerulær sykdom samarbeidsnettverk. Kidney Int 1997;51:1188–95.

2 Hahn BH, McMahon MA, Wilkinson A, et al. American College of Rheumatology retningslinjer for screening, behandling og behandling av lupus nefritis. Arthritis Care Res 2012;64:797–808.

3 Hochberg MC. Oppdatering av American College of Rheumatology reviderte kriterier for klassifisering av systemisk lupus erythematosus. Arthritis Rheum 1997;40:1725.

4 Isenberg D, Wallace DJ, Nived O. Utledning og validering av systemisk lupus internasjonale samarbeidende klinikker klassifiseringskriterier for systemisk lupus erythematosus. Leddgikt Reum 2012;64.

5 Bajema IM, Wilhelmus S, Alpers CE, et al. Revisjon av klassifiseringen av International Society of Nephrology/Renal Pathology Society for lupus nefritis: avklaring av definisjoner og modifiserte nasjonale institutter for helseaktivitet og kronisitetsindekser. Nyre Int 2018;93:789–96.

6 Pei X, Yang W, Wang S, et al. Bruk av matematiske algoritmer for å modifisere estimerte ligninger for glomerulær filtrasjonshastighet. PLoS One 2013;8:e57852.

7 Harris PA, Taylor R, Thielke R, et al. Research electronic data capture (REDCap)--en metadatadrevet metodikk og arbeidsflytprosess for å tilby translasjonsforskningsinformatikkstøtte. J Biomed Inform 2009;42:377–81.

8 Ugolini-Lopes MR, Seguro LPC, Castro MXF, et al. Tidlig proteinuri-respons: en gyldig situasjonsprediktor for langsiktig lupus-nyreutfall i en etnisk mangfoldig gruppe med alvorlig biopsi-påvist nefritt. Lupus Sci Med 2017;4:e000213.

9 Nyresykdomsunderkomité ved American College of Rheumatology Ad Hoc Committee on Systemic Lupus Erythematosus Response Criteria. American College of Rheumatology responskriterier for proliferativ og membranøs nyresykdom i kliniske studier med systemisk lupus erythematosus. Leddgikt Rheum 2006;54:421–32. 27. desember 2021 av gjesten. Beskyttet av opphavsrett. den 24. august 2021. Lastet ned fra Helget LN, et al. Lupus vitenskap og medisin 2021;8:e000489. doi:10.1136/lupus-2021-000489 8 Lupus Science & Medicine

10 Wofsy D, Hillson JL, Diamond B. Sammenligning av alternative primære resultatmål for bruk i kliniske studier med lupus nefritt. Leddgikt Rheum 2013;65:1586–91.

11 Team RC. Et språk og miljø for statistisk databehandling, 2020. Tilgjengelig:

12 Liaw A, Wiener M. Klassifisering og regresjon etter tilfeldig skog. R Nyheter 2002;2:18–22.

13 Hastie T, Tibshirani R, Friedman JH. Elementene i statistisk læring: datautvinning, inferens og prediksjon: med 200 fullfargeillustrasjoner. New York: Springer, 2001.

14 LeDell E, Petersen M, van der Laan M. Beregningseffektive konfidensintervaller for det kryssvaliderte området under ROC-kurveestimatene. Electron J Stat 2015;9:1583–607.

15 Austin HA, Muenz LR, Joyce KM, et al. Diffus proliferativ lupus nefritt: identifisering av spesifikke patologiske trekk som påvirker nyreutfallet. Kidney Int 1984;25:689–95.

16 Austin HA, Boumpas DT, Vaughan EM, et al. Høyrisikotrekk ved lupus nefritis: betydningen av rase og kliniske og histologiske faktorer hos 166 pasienter. Nephrol Dial Transplant 1995;10:1620–8.

17 Austin HA, Boumpas DT, Vaughan EM, et al. Forutsi nyreutfall ved alvorlig lupusnefritt: bidrag fra kliniske og histologiske data. Kidney Int 1994;45:544–50.

18 Schwartz MM, Bernstein J, Hill GS, et al. Prediktiv verdi av nyrepatologi ved diffus proliferativ lupus glomerulonephritis. lupus nefritis Collaborative Study Group. Kidney Int 1989;36:891–6.

19 Rijnink EC, Teng YKO, Wilhelmus S, et al. Kliniske og histopatologiske egenskaper assosiert med nyreutfall ved lupus nefritis. Clin J Am Soc Nephrol 2017;12:734–43.

20 Tang Y, Zhang W, Zhu M, et al. Lupus nephritis patologi prediksjon med kliniske indekser. Sci Rep 2018;8:10231.

21 Wolf BJ, Spainhour JC, Arthur JM, et al. Utvikling av biomarkørmodeller for å forutsi utfall ved lupus nefritt. Leddgikt Rheumatol 2016;68:1955–63.

22 Song D, Wu L-Hua, Wang F-mei, et al. Spekteret av renal trombotisk mikroangiopati ved lupus nefritis. Arthritis Res Ther 2013;15:R12. 27. desember 2021 av gjesten. Beskyttet av opphavsrett.