Razvoj alata za predviđanje suboptimalnog odgovora lupus nefritisa korištenjem renalnih histopatoloških i kliničkih laboratorijskih varijabli u vrijeme postavljanja dijagnoze

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

SAŽETAK

CiljLupusni nefritis (LN) je animunkompleksno posredovana glomerularna i tubulointersticijska bolest kod pacijenata sa SLE. Predviđanje ishoda na početku dijagnoze LN može voditi odluke u vezi sa intenzitetom praćenja i terapije za uspjeh liječenja. Trenutno ne postoji model rezultata mašinskog učenja. Nekoliko radova modeliranja ishoda koristilo je univarijantno ili linearno modeliranje, ali je ograničeno heterogenošću bolesti. Pretpostavili smo da bi se kombinacija rezultata bubrežne patologije i rutinskih kliničkih laboratorijskih podataka mogla koristiti za razvoj i unakrsnu validaciju klinički značajnog alata za podršku ranom odlučivanju o strojnom učenju koji predviđa ishode LN za otprilike godinu dana.

MetodeDa bi se odgovorilo na ovu hipotezu, identificirani su pacijenti sa LN iz prospektivnog longitudinalnog registra na Medicinskom univerzitetu Južne Karoline koji su upisani između 2003. i 2017. ako su imali biopsiju bubrega prema patološkoj klasifikaciji Međunarodnog društva za nefrologiju/društva za bubrežnu patologiju. Zabilježene su kliničke laboratorijske vrijednosti u vrijeme postavljanja dijagnoze i varijable ishoda nakon otprilike 1 godine. Modeli mašinskog učenja su razvijeni i unakrsno validirani da bi se predvideli neoptimalni odgovori.

RezultatiFive machine learning models predicted suboptimal response status in 10 times cross-validation with receiver operating characteristics area under the curve values >0.78. Najviše prediktivne varijable bile su intersticijska upala, intersticijska fibroza, skor aktivnosti i skor kroničnosti iz bubrežne patologije i omjer proteina i kreatinina u urinu, broj bijelih krvnih stanica i hemoglobin iz kliničkih laboratorija. Stvoren je alat zasnovan na webu za kliničare da unesu ove osnovne kliničke laboratorijske i histopatološke varijable kako bi proizveli rezultat vjerovatnoće suboptimalnog odgovora.

ZaključakS obzirom na heterogenost prikaza bolesti u LN, važno je da modeli predviđanja rizika uključuju nekoliko elemenata podataka. Ovaj izvještaj po prvi put pruža alat za kliničku provjeru koncepta koji koristi pet najpredvidljivijih modela i pojednostavljuje njihovo razumijevanje putem web-bazirane aplikacije.

Kontakt:joanna.jia@wecistanche.com

Cistanche herbadeserticola sprečavabubregbolesti, kliknite ovdje da dobijete uzorak

UVOD

Lupus nefritis (LN) je glomerularna i tubulointersticijska bolest posredovana imunološkim kompleksom kod pacijenata sa SLE. Otprilike 50 posto pacijenata sa SLE se razvijebubreg-komplikacije povezane, uključujući LN, i do 48 posto onih s difuznom proliferativnom bolešću mogu napredovati u završnu bubrežnu bolest unutar 5 godina od dijagnoze među Afroamerikancima.1 Američki koledž za reumatologiju (ACR) trenutno preporučuje promjenu terapije kada se smatra da pacijenti sa LN ne reaguju nakon 6 mjeseci indukcijske terapije.2 Kliničari koriste različite serumske markere, uključujući C3, C4, anti-dvolančanu DNK (anti-dsDNA) i kreatinin, kao i protein u urinu -odnos kreatinina i sediment za praćenje odgovora na terapiju, ali odgovor na terapiju nije definiran u smjernicama.2 Dok u ovom 6-mjesečnom ispitivanju indukcijske terapije, pacijenti koji ne reaguju mogu razviti dodatne ireverzibilne bubrežne funkcije oštećenja. Alat za podršku odlučivanju zasnovan na modelima mašinskog učenja mogao bi biti koristan u određivanju osnovnih karakteristika pacijenata za koje je manja vjerovatnoća da će odgovoriti na indukcijsku terapiju. Trenutno nije razvijen nijedan klinički koristan model mašinskog učenja 1-godišnjih ishoda. Univarijantno ili linearno modeliranje nije dobro predvidjelo ishode ove heterogene bolesti.

Pretpostavili smo da bi se kombinacija rezultata bubrežne patologije i rutinskih kliničkih laboratorijskih podataka mogla koristiti za razvoj i unakrsnu validaciju ranog alata za podršku odlučivanju o LN koji predviđa suboptimalni odgovor nakon otprilike 1 godine u LN.

METODE

Populacija pacijenata

Podaci o pacijentima izvedeni su iz prospektivne longitudinalne kohorte Osnovnog centra za klinička istraživanja (CCCR) Medicinskog univerziteta Južne Karoline (MUSC). CCCR bazu podataka sponzorira NIH prema P30 mehanizmu i predstavlja longitudinalni registar i biorepozitorijum pretežno afroameričkih pacijenata sa SLE. Odabrani pacijenti ispunjavali su kriterije ACR ili SLE International Cooperating Clinics za SLE,3 4 je procijenio reumatološki provajder u MUSC-u i pristali su da budu upisani u kohortu. Prospektivna longitudinalna kohortna baza podataka kreirana je 2003. Kriterijumi bolesti i podaci o biopsiji bubrega uglavnom su uneseni prospektivno, ali su neki dodani retrospektivno kroz pregled grafikona.

cistanchemože liječitiakutno zatajenje bubrega

Kriterijumi za uključivanje

Pacijenti su također odabrani ako su revidirali Međunarodno društvo za nefrologiju/renalnu patologiju (ISN/RPS), aktivnu klasu, I, II, III, IV ili V nefritis na osnovu histopatologije, bilo pri početnoj prezentaciji LN ili sa pogoršanjem LN koji ukazuje ponovljena biopsija između 2003. i 2017.5 U studiju su uključeni samo pacijenti s potpunim laboratorijskim podacima dostupnim u vrijeme biopsije bubrega i otprilike 12 mjeseci (7-24 mjeseca) nakon biopsije bubrega.

Laboratorijske analize

Laboratorijske vrijednosti su dobijene kao dio standardne nege pacijenata. Testove za 24-satni protein u urinu, omjer proteina i kreatinina, kreatinin u serumu, albumin, hemoglobin, broj bijelih krvnih zrnaca, broj trombocita, anti dsDNA, C3 i C4 izvršile su centralne laboratorije certificirane iz Clinical Laboratory Improvement Amendments u MUSC-u, LabCorp-u ili vanjskim bolničkim laboratorijama. Procijenjena brzina glomerularne filtracije (eGFR) određena je korištenjemHroničniBubregBolestEpidemiology Collaboration (CKD-EPI) jednadžba.6

Patološka analiza

Biopsije bubrega je pročitao jedan od dva patologa bubrega u MUSC (SES ili ETB) koristeći 2018 revidiranih ISN/ RPS aktivnosti (0–24) i kroničnosti (0–12 ) indeksni elementi (svaki je postigao 0–3 za 0 posto ,<25%, 25%–50%="" and="">50 posto uključenosti).5 U indeks aktivnosti uključeni su endokapilarna hipercelularnost, karioreksija, fibrinoidna nekroza, hijalinske naslage, ćelijski ili fibro ćelijski polumjeseci i intersticijska upala. Bodovi su udvostručeni za polumjesece i nekrozu. U indeks kroničnosti uključeni su ukupni skor glomeruloskleroze, fibrozni polumjesec, tubularna atrofija i intersticijska fibroza.

Rukovanje podacima

Podaci za CCCR bazu podataka su direktno proslijeđeni u REDCap bazu podataka koristeći Data Transfer Service7 kako bi se eliminisale greške u transkripciji. Neke laboratorijske vrijednosti su izdvojene pregledom dijagrama elektronskog medicinskog kartona i skeniranih laboratorijskih izvještaja i ručno unesene u bazu podataka. Izvršen je dvostruki unos od pet posto apstrahovanih podataka kako bi se osigurala greška u transkripciji<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

Statistička analiza

Varijabla ishoda bila je neuspjeh da se u potpunosti odgovori na terapiju nakon otprilike 1 godine. Ova vremenska tačka je odabrana, jer varijable odgovora na 1 godinu predviđaju dugoročne godine odgovora u ispitivanjima MAINTAIN i Euro-Lupus Nephritis.8 Odgovor je definisan modifikacijom kriterijuma ACR odgovora.9 Modifikacije ovih kriterijuma su prethodno opisali Wofsy et al. 10 Ukratko, ovaj modificirani potpuni odgovor uključuje postizanje omjera proteina u urinu i kreatinina od<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="">

Cilj ove studije bio je da se identifikuje štedljiv podskup prediktora iz demografskih podataka pacijenata i osnovnih laboratorijskih i biopsijskih podataka koji su dali dobre karakteristike performansi predviđanja za skup multivarijabilnih modela predviđanja suboptimalnog odgovora nakon otprilike 1 godine. Multivarijabilni modeli klasifikacije razmatrani u ovoj studiji uključivali su logističku regresiju (LR), stabla klasifikacije i regresije (CART), slučajnu šumu (RF), pomoćne vektorske mašine sa linearnim, polinomskim i Gausovim jezgrima (SVML, SVMP i SVMR, respektivno), naivne Bayesove (NB) i umjetne neuronske mreže (ANN). RF modeli su bili prilagođeni pomoću paketa 'randomForest'; LR modeli su bili prilagođeni pomoću paketa 'stats'; SVM i NB modeli su bili prilagođeni korištenjem paketa 'e1071'; Modeli ANN-a su prilagođeni korištenjem 'mreže' dostupne u R.11 12 Parametri podešavanja za različite modele koji se razmatraju su odabrani prije razvoja modela. Razmotreno je početno iscrpno pretraživanje svih kombinacija do 20 varijabli. Međutim, rezultati ove pretrage su otkrili da je najbolji prosječan učinak postignut kada su modeli uključivali osam varijabli (online dodatna slika 2). Dakle, selekcija varijable je provedena korištenjem iscrpnog ispitivanja svih podskupova od osam ili manje prediktora. Ovaj broj praga je uzet u obzir za sve pristupe modeliranju kako bi modeli bili korisniji u užurbanom kliničkom okruženju. Konkretno, performanse predviđanja za podskup prediktora svakog modela provedene su korištenjem pristupa 10- puta unakrsne validacije (CV). Desetostruki CV dijeli podatke u 10 podskupova. Modeli se obučavaju koristeći 9/10 podataka i testiraju na preostaloj 1/10 podataka, i to se ponavlja za svaki podskup. Unakrsna validirana površina ispod krive (cvAUC) je prosječan AUC izračunat za svaki podskup od 1/10 podataka isključenih tokom razvoja modela i pokazalo se da je robusniji od korištenja pristupa jednog skupa treninga. 13 Cilj je bio identificirati mali podskup prediktora sa dobrim performansama predviđanja u svim modelima.14 Performanse predviđanja mjerene su 10- puta cvAUC i najbolji podskup od osam varijabli je odabran kao podskup koji je rezultirao najvišim prosjekom cvAUC na svim modelima. Osjetljivost, specifičnost, pozitivna prediktivna vrijednost i negativne prediktivne vrijednosti su određene za odabrane pragove za predviđenu vjerovatnoću neodgovora koju je vratio svaki model. Sve analize su rađene u R V.4.0.2. R-Shiny, web-bazirani alat je kreiran na osnovu rezultirajućih modela koji su odabrani.

REZULTATI

Unutar registra, 149 pacijenata je imalo informacije o biopsiji bubrega koje su bile dostupne između 2003. i 2017. Od njih, 83 pacijenta sa LN je imala početne i približno 1-godišnje podatke praćenja bubrežnog odgovora između 7,5 i 24 mjeseca (online dodatna slika 1) . Tri sa praćenjem<7 months="" and="" four="" with="" follow-up="">2 godine su isključene. Otprilike polovina učesnika klasifikovana je kao suboptimalno odgovorila na godinu dana. Karakteristike učesnika prema odgovoru na tretman prikazane su u tabeli 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 i uključuje modele LR, RF, SVML, SVMR i ANN. Tabela 3 prikazuje cvAUC i podskup prediktora za pet modela sa visokim cvAUC. Tabela 4 pokazuje osjetljivost i specifičnost svakog modela i zasnovana je na prosječnom predviđanju za svih pet modela na po tri praga. Intersticijska upala je bila najdosljedniji prediktor i bila je uključena u svih pet modela. Rezultat aktivnosti i intersticijska fibroza su također bili relativno konzistentni i uključeni su u sve osim u RF model. Krive operativnih karakteristika prijemnika (ROC) zasnovane na 10-predviđenju puta CV za svaki od pet odabranih modela prikazane su na slici 1. Slika 2 prikazuje performanse (osjetljivost i specifičnost) srednje vrijednosti svih modela zasnovanih na na odabranom pragu predviđanja. Svi modeli CART, SVMP i NB imali su cvAUC<0.7 and="" were="" excluded="" from="" further="">

Koristeći sedam najdosljednijih varijabli, kreirana je web-bazirana aplikacija sa R ​​shiny koja služi kao klinički alat i može se naći ovdje: (https://histologyapp. shinyapps.io/LN_histologija{{2 }}alatka za predviđanje{3}}). U aplikaciji se standardno prikazuje primjer podataka o pacijentu. Za procjenu novog pacijenta, korisnici mogu unijeti histološke i kliničke laboratorijske vrijednosti dobivene u vrijeme biopsije. Rezultirajući graf prikazuje, kao obojene tačke, predviđenu vjerovatnoću neodaziva svakog modela na pragu od 0.5. Veličina svake tačke odražava ROC AUC u setu za validaciju. Grafikoni okvira na stranici sa pregledom predstavljaju medijanu (linija), IQR (kutija) i 25. i 75. percentil ±1,5 puta IQR (brkovi) rezultata vjerovatnoće za suboptimalni odgovor kod pojedinačnih pacijenata u grupama koje su odgovorile i nisu odgovorile u setovima za validaciju (takođe prikazano na slici 2A). Svaka obojena tačka predstavlja jedno predviđanje modela pacijenta koji se posmatra u kontekstu performansi modela u setu za validaciju. Crni 'X' predstavlja srednju predviđenu vjerovatnoću neodaziva svih pet modela.

DISKUSIJA

Naša studija je utvrdila da se mašinsko učenje može koristiti za razvoj unakrsno validiranih modela sa dobrim predviđanjem suboptimalnog odgovora na terapiju kod pacijenata sa LN, pretežno afričkog porekla. Ovi modeli su razvijeni koristeći lako dostupne kliničke laboratorije i histopatološke elemente u vrijeme postavljanja dijagnoze. Dobro je opisana korisnost pojedinačnih histopatoloških karakteristika za predviđanje ishoda difuznog proliferativnog lupus nefritisa. Prethodni rad je pokazao prediktivnu snagu rezultata kompozitnog indeksa aktivnosti u progresiji do zatajenja bubrega, s pojedinačnim histološkim karakteristikama aktivnosti, kao što su ćelijski polumjeseci i fibrinoidna nekroza, koji pokazuju pozitivne veze s bubrežnom insuficijencijom.15 Kompozit indeksa kroničnosti kao i individualne karakteristike kao što su budući da su intersticijska fibroza, glomerularna skleroza i fibrozni polumjeseci također bili prediktivni, pri čemu je utvrđeno da je tubularna atrofična promjena od posebno visoke prediktivne vrijednosti u pogledu progresije do zatajenja bubrega.15 Dodavanje elemenata kliničkih podataka, posebno serumskog kreatinina, hematokrita i rase do histoloških karakteristika poboljšalo predviđanje u naknadnom radu, dok su druge studije pokazale da je upotreba indeksa samostalne aktivnosti ili hroničnosti bila nedovoljna u predviđanju odgovora. 16–19 Nedavni pristupi mašinskom učenju koristili su multilinearnu regresiju i nasumično šumsko modeliranje za predviđanje patološke klasifikacije, aktivnosti i kroničnosti iz kliničkih laboratorijskih vrijednosti i pokazali su obećavajuće.20 Ova studija proširuje ovaj pristup korištenjem patoloških varijabli za predviđanje ishoda pri približno 1 godina.

zmajevo bilje cistanche za bubrege

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 u pet modela. Ova studija je jedinstvena po tome što su u modelima mašinskog učenja korišteni elementi individualne aktivnosti i kroničnosti. Ovo je potkrijepljeno prethodnom literaturom koja opisuje njihovu upotrebu pojedinačno.15

Rezultate ovog modeliranja predviđanja treba tumačiti u odgovarajućem kliničkom kontekstu. Prisustvo visoke intersticijalne fibroze sa niskim rezultatom aktivnosti je vjerovatna indikativna kronična ozljeda za koju bi se imunosupresija koristila za sprječavanje daljeg pogoršanja, a ne za obnavljanje bubrežne funkcije. Međutim, onima s visokim rezultatom aktivnosti može se pristupiti kombiniranim imunosupresivnim terapijama ili se pratiti radi dodavanja terapije druge linije prije kako bi se poboljšala ili očuvala bubrežna funkcija. S obzirom da su ovi podaci bili retrospektivni, ne znamo hoće li korištenje predviđanja za usmjeravanje odluka o indukcijskoj terapiji promijeniti ishode. Kao što je često slučaj u liječenju pacijenata s autoimunom bolešću, ne bi bilo prikladno da kliničar donosi odluke o izboru terapije na osnovu ovog rezultata predviđanja bez uzimanja u obzir kliničkog konteksta. Međutim, predviđanje neodgovora može se koristiti za promjenu učestalosti praćenja odgovora i koordinacije njege kako bi se osiguralo pridržavanje lijekova.

Također bi se moglo uzeti u obzir pri odlukama o dodavanju ili promjeni terapije zbog nedostatka odgovora u ranijim vremenskim tačkama od preporučenih 6 mjeseci prema ACR smjernicama.

Ova studija ima nekoliko ograničenja. Informacije korištene za modeliranje ishoda uglavnom su dolazile od pacijenata afričkog porijekla. Stoga, upotreba u kliničkoj praksi može biti ograničena na ovu demografsku kategoriju. Dok su longitudinalni podaci u ovoj studiji prikupljeni prospektivno, analiza je bila retrospektivna. Dok je trombotička mikroangiopatija bila povezana s ishodima u prethodnim studijama,22 broj biopsija s ovim nalazom (pet) ograničavao je njen značaj u modelima. Pomoć pri donošenju odluka koja je ovdje predstavljena nije korištena prospektivno kako bi se utvrdilo da li promjena strategije liječenja na osnovu rezultata predviđanja poboljšava ishode. Nije evaluiran u predviđanju dugoročnih ishoda i stoga se ne bi trebao koristiti za predviđanje > 1-godišnjih ishoda. Međutim, 1-godišnji rezultati su povezani sa dugoročnim ishodima u ispitivanjima MAINTAIN i Euro-Lupus Nephritis.8 Odabir pacijenata za uključivanje u ovu studiju mogao bi imati pristrasne rezultate. Na primjer, oni s bubrežnom bolešću koja brže napreduje imaju veću vjerovatnoću da će dobiti biopsiju. Oni sa početnom linijom i približno 1-godišnjim praćenjem dostupnim u medicinskom kartonu mogu imati pristrasnost prema povoljnijim ishodima. Nismo mogli rigorozno proučavati učinak lijekova na ishod, jer je većina pacijenata primala mikofenolat ili mikofenolnu kiselinu.

S obzirom na heterogenost prikaza bolesti u LN, važno je da modeli predviđanja rizika uključuju nekoliko elemenata podataka. Ovaj izvještaj po prvi put pruža klinički alat koji koristi pet najpredvidljivijih modela i pojednostavljuje njihovo razumijevanje putem web-bazirane aplikacije. Sa modelima predviđanja koji su ovdje predloženi, predstavljamo dokaz koncepta za alat koji može informirati i o učestalosti praćenja i olakšati razgovore s pacijentima o izboru terapije. Pažljivije praćenje ili implementacija koordinacije njege za one za koje se predviđa da će imati suboptimalan odgovor na terapiju ima potencijal za poboljšanje ishoda, ali bi se trebalo testirati prospektivno.

acteosideincistancheimaju dobre efekte nabubreg

REFERENCE

1 Dooley MA, Hogan S, Jennette C, et al. Terapija ciklofosfamidom za lupus nefritis: slabo preživljavanje bubrega kod crnih Amerikanaca. kolaborativna mreža za glomerularne bolesti. Kidney Int 1997;51:1188–95.

2 Hahn BH, McMahon MA, Wilkinson A, et al. Smjernice Američkog koledža za reumatologiju za skrining, liječenje i liječenje lupusnog nefritisa. Arthritis Care Res 2012;64:797–808.

3 Hochberg MC. Ažuriranjem Američkog koledža za reumatologiju revidirani su kriteriji za klasifikaciju sistemskog eritematoznog lupusa. Arthritis Rheum 1997; 40:1725.

4 Isenberg D, Wallace DJ, Nived O. Derivacija i validacija kriterijuma klasifikacije sistemskog lupusa za sistemski eritematozni lupus međunarodnih saradničkih klinika. Arthritis Rheum 2012;64.

5 Bajema IM, Wilhelmus S, Alpers CE, et al. Revizija klasifikacije za lupus nefritis Međunarodnog društva za nefrologiju/renalnu patologiju: pojašnjenje definicija i modifikovani indeksi zdravstvene aktivnosti i hronične bolesti Nacionalnog instituta. Kidney Int 2018;93:789–96.

6 Pei X, Yang W, Wang S, et al. Korištenje matematičkih algoritama za modificiranje jednadžbi za procjenu brzine glomerularne filtracije. PLoS One 2013;8:e57852.

7 Harris PA, Taylor R, Thielke R, et al. Istraživanje elektronskog prikupljanja podataka (REDCap)--metodologija vođena metapodacima i proces toka posla za pružanje podrške za translacionu istraživačku informatiku. J Biomed Inform 2009;42:377–81.

8 Ugolini-Lopes MR, Seguro LPC, Castro MXF, et al. Rani odgovor na proteinuriju: validan prediktor situacije u stvarnom životu dugoročnog lupusa bubrežnog ishoda u etnički raznolikoj grupi s teškim nefritisom dokazanim biopsijom. Lupus Sci Med 2017;4:e000213.

9 Podkomitet za bubrežne bolesti Američkog koledža za reumatologiju Ad hoc komiteta za kriterijume odgovora na sistemski lupus eritematozus. Kriterijumi odgovora Američkog koledža za reumatologiju za proliferativnu i membranoznu bubrežnu bolest u kliničkim ispitivanjima sistemskog eritematoznog lupusa. Arthritis Rheum 2006;54:421–32. 27. decembra 2021. od strane gosta. Zaštićeno autorskim pravima. dana 24. avgusta 2021. Preuzeto sa Helget LN, et al. Lupus Science & Medicine 2021;8:e000489. doi:10.1136/lupus-2021-000489 8 Lupus nauka i medicina

10 Wofsy D, Hillson JL, Diamond B. Poređenje alternativnih mjera primarnog ishoda za upotrebu u kliničkim ispitivanjima lupus nefritisa. Arthritis Rheum 2013;65:1586–91.

11 Tim RC. Jezik i okruženje za statističko računarstvo, 2020. Dostupno:

12 Liaw A, Wiener M. Klasifikacija i regresija prema nasumičnoj šumi. R News 2002; 2:18–22.

13 Hastie T, Tibshirani R, Friedman JH. Elementi statističkog učenja: rudarenje podataka, zaključivanje i predviđanje: sa 200 ilustracija u boji. Njujork: Springer, 2001.

14 LeDell E, Petersen M, van der Laan M. Računarski efikasni intervali pouzdanosti za unakrsno validirano područje ispod procjena ROC krive. Electron J Stat 2015;9:1583–607.

15 Austin HA, Muenz LR, Joyce KM, et al. Difuzni proliferativni lupus nefritis: identifikacija specifičnih patoloških karakteristika koje utiču na bubrežni ishod. Kidney Int 1984;25:689–95.

16 Austin HA, Boumpas DT, Vaughan EM, et al. Karakteristike visokog rizika lupus nefritisa: važnost rase i kliničkih i histoloških faktora kod 166 pacijenata. Nephrol Dial Transplant 1995; 10:1620–8.

17 Austin HA, Boumpas DT, Vaughan EM, et al. Predviđanje bubrežnih ishoda kod teškog lupus nefritisa: doprinosi kliničkih i histoloških podataka. Kidney Int 1994;45:544–50.

18 Schwartz MM, Bernstein J, Hill GS, et al. Prediktivna vrijednost bubrežne patologije kod difuznog proliferativnog lupusnog glomerulonefritisa. Lupus nefritis Collaborative Study Group. Kidney Int 1989;36:891–6.

19 Rijink EC, Teng YKO, Wilhelmus S, et al. Kliničke i histopatološke karakteristike povezane s bubrežnim ishodima kod lupus nefritisa. Clin J Am Soc Nephrol 2017; 12:734–43.

20 Tang Y, Zhang W, Zhu M, et al. Predviđanje patologije lupus nefritisa s kliničkim indeksima. Sci Rep 2018;8:10231.

21 Wolf BJ, Spainhour JC, Arthur JM, et al. Razvoj modela biomarkera za predviđanje ishoda lupus nefritisa. Arthritis Rheumatol 2016;68:1955–63.

22 Song D, Wu L-Hua, Wang F-mei, et al. Spektar bubrežne trombotičke mikroangiopatije u lupus nefritisu. Arthritis Res Ther 2013;15:R12. 27. decembra 2021. od strane gosta. Zaštićeno autorskim pravima.