Разработване на инструмент за прогнозиране на субоптимален отговор на лупусен нефрит с помощта на бъбречни хистопатологични и клинични лабораторни променливи по време на диагностицирането

Линдзи Н Хелгет,^1,2 Дейвид Дж. Дилън,¹ Бетани Улф,³Лора П Паркс,¹ Сали Е Селф,⁴Евелин Т Брунър,⁴ Евън Е Оутс,⁵Джим К. Оутс

РЕЗЮМЕ

ОбективенЛупусният нефрит (LN) еимуннакомплексно медиирано гломерулно и тубулоинтерстициално заболяване при пациенти със СЛЕ. Прогнозирането на резултатите в началото на диагнозата LN може да ръководи решенията относно интензивността на наблюдението и терапията за успех на лечението. Понастоящем не съществува модел на машинно обучение на резултатите. Няколко работи по моделиране на резултатите са използвали едномерно или линейно моделиране, но са били ограничени от хетерогенността на заболяването. Ние предположихме, че комбинация от резултати от бъбречна патология и рутинни клинични лабораторни данни може да се използва за разработване и кръстосано валидиране на клинично значим инструмент за ранно вземане на решения за машинно обучение, който прогнозира резултатите от LN на приблизително 1 година.

МетодиЗа да се отговори на тази хипотеза, пациентите с LN от проспективен надлъжен регистър в Медицинския университет на Южна Каролина, записани между 2003 г. и 2017 г., са идентифицирани, ако са имали бъбречни биопсии с патологичната класификация на Международното дружество по нефрология/Дружеството по бъбречна патология. Записани са клиничните лабораторни стойности по време на диагностицирането и променливите на резултата след приблизително 1 година. Бяха разработени и кръстосано валидирани модели за машинно обучение, за да се предвидят неоптимални отговори.

РезултатиFive machine learning models predicted suboptimal response status in 10 times cross-validation with receiver operating characteristics area under the curve values >0.78. Най-предсказуемите променливи са интерстициално възпаление, интерстициална фиброза, оценка на активността и оценка на хроничност от бъбречна патология и съотношение протеин към креатинин в урината, брой бели кръвни клетки и хемоглобин от клиничните лаборатории. Беше създаден уеб-базиран инструмент за клиницистите да въведат тези изходни клинични лабораторни и хистопатологични променливи, за да произведат вероятностен резултат за неоптимален отговор.

ЗаключениеКато се има предвид хетерогенността на представянето на заболяването при LN, важно е моделите за прогнозиране на риска да включват няколко елемента от данни. Този доклад предоставя за първи път инструмент за клинично доказателство на концепцията, който използва петте най-предсказуеми модела и опростява разбирането им чрез уеб базирано приложение.

Контакт:joanna.jia@wecistanche.com

Cistanche herbadeserticola предотвратявабъбрекзаболяване, щракнете тук, за да получите пробата

ВЪВЕДЕНИЕ

Лупусният нефрит (LN) е медиирано от имунен комплекс гломерулно и тубулоинтерстициално заболяване при пациенти със SLE. Приблизително 50 процента от пациентите със СЛЕ се развиватбъбрек-свързани усложнения, включително LN, и до 48 процента от тези с дифузно пролиферативно заболяване могат да прогресират до краен стадий на бъбречно заболяване в рамките на 5 години от диагностицирането сред афро-американците.1 Американският колеж по ревматология (ACR) понастоящем препоръчва промяна на терапията когато пациентите с LN се считат за неотговорили след 6 месеца индукционна терапия.2 Клиницистите използват различни серумни маркери, включително C3, C4, анти-двойноверижна ДНК (anti-dsDNA) и креатинин, както и протеин в урината съотношение към креатинин и седимент за проследяване на отговора към терапията, но отговорът към терапията не е дефиниран в насоките.2 Докато в това 6-месечно изпитване на индукционна терапия, пациентите, които не реагират, могат да развият допълнителни необратими бъбречни щета. Инструмент за подпомагане на вземането на решения, базиран на модели на машинно обучение, може да бъде полезен при определяне на базовите характеристики на пациенти, които е по-малко вероятно да отговорят на индукционната терапия. Понастоящем не е разработен клинично полезен модел на машинно обучение за 1-годишни резултати. Едновариантното или линейното моделиране не е предвидило добре резултатите при това хетерогенно заболяване.

Ние предположихме, че комбинация от резултати от бъбречна патология и рутинни клинични лабораторни данни може да се използва за разработване и кръстосано валидиране на ранен инструмент за подпомагане на вземането на решения за LN, предсказващ субоптимален отговор на приблизително 1 година при LN.

МЕТОДИ

Популация пациенти

Данните за пациентите са извлечени от проспективната надлъжна кохорта на Основния център за клинични изследвания (CCCR) на Медицинския университет в Южна Каролина (MUSC). Базата данни CCCR се спонсорира от NIH по механизма P30 и е надлъжен регистър и биохранилище на предимно афро-американски пациенти със SLE. Избраните пациенти отговарят на критериите на ACR или SLE International Cooperating Clinics за SLE, 3 4 бяха оценени от доставчик на ревматология в MUSC и се съгласиха да бъдат включени в кохортата. Проспективната надлъжна кохортна база данни е създадена през 2003 г. Критериите за заболяването и данните от бъбречната биопсия до голяма степен са въведени проспективно, но някои са добавени ретроспективно чрез преглед на диаграмата.

цистанчеможе да лекуваостра бъбречна недостатъчност

Критерии за включване

Пациентите също бяха избрани, ако са ревизирали Международното дружество по нефрология/Общество по бъбречна патология (ISN/RPS), активен клас, I, II, III, IV или V нефрит чрез хистопатология или при първоначално представяне на LN, или с влошаване на LN, показващо повторна биопсия между 2003 г. и 2017 г.5 В проучването са включени само пациенти с пълни лабораторни данни по време на бъбречната биопсия и приблизително 12 месеца (7–24 месеца) след бъбречната биопсия.

Лабораторен анализ

Лабораторните стойности са получени като част от стандартната грижа за пациента. Тестовете за 24-час протеин в урината, съотношение протеин към креатинин, серумен креатинин, албумин, хемоглобин, брой бели кръвни клетки, брой тромбоцити, анти dsDNA, C3 и C4 бяха извършени от централни лаборатории, сертифицирани от Clinical Laboratory Improvement Amendments в MUSC, LabCorp или външни болнични лаборатории. Изчислената скорост на гломерулна филтрация (eGFR) се определя чрез използване наХроничнаБъбрекболестУравнение за епидемиологично сътрудничество (CKD-EPI).6

Анализ на патологията

Бъбречните биопсии бяха разчетени от един от двамата бъбречни патолози в MUSC (SES или ETB), като се използва 2018 ревизирана ISN/RPS активност (0–24) и хроничност (0–12 ) индексни елементи (всеки отбеляза 0–3 за 0 процента,<25%, 25%–50%="" and="">50 процента засягане).5 В индекса на активността са включени ендокапилярна хиперцелуларност, кариорексис, фибриноидна некроза, хиалинови отлагания, клетъчни или фиброклетъчни полумесеци и интерстициално възпаление. Резултатите бяха удвоени за полумесеци и некроза. Включени в индекса на хроничност са общият резултат за гломерулосклероза, фиброзни полумесеци, тубулна атрофия и интерстициална фиброза.

Обработка на данни

Данните за базата данни на CCCR бяха директно присъдени в базата данни REDCap, използвайки услугата за прехвърляне на данни7, за да се елиминират грешките при транскрипция. Някои лабораторни стойности бяха извлечени чрез преглед на диаграмата на електронното медицинско досие и сканирани лабораторни доклади и бяха въведени ръчно в базата данни. Беше извършено пет процента двойно въвеждане на абстрахирани данни, за да се гарантира, че грешката в транскрипцията е налице<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

Статистически анализ

Променливата на резултата е липсата на пълен отговор на терапията на приблизително 1 година. Тази времева точка беше избрана, тъй като променливите на отговор на 1 година са предсказващи годините на дългосрочен отговор в изпитванията MAINTAIN и Euro-Lupus Nephritis.8 Отговорът беше определен чрез модификация на критериите за отговор на ACR.9 Модификациите на тези критерии са описани по-рано от Wofsy et al. 10 Накратко, този модифициран пълен отговор включва постигане на съотношение протеин към креатинин в урината от<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="">

Целта на това проучване беше да се идентифицира пестелива подгрупа от предиктори от демографските данни на пациентите и изходните лабораторни и биопсични данни, които дават добри характеристики на прогнозиране за набор от многовариантни модели за прогнозиране на неоптимален отговор на приблизително 1 година. Многовариантните класификационни модели, разгледани в това проучване, включват логистична регресия (LR), класификация и регресионни дървета (CART), произволна гора (RF), опорни векторни машини с линейни, полиномиални и гаусови ядра (съответно SVML, SVMP и SVMR), наивен Bayes (NB) и изкуствени невронни мрежи (ANN). RF моделите бяха подходящи с помощта на пакета 'randomForest'; LR моделите бяха подходящи с помощта на пакетите „статистика“; SVM и NB моделите бяха монтирани с помощта на пакета 'e1071'; Моделите на ANN бяха подходящи с помощта на „мрежата“, налична в R.11 12 Параметрите за настройка за различните разглеждани модели бяха избрани преди разработването на моделите. Беше разгледано първоначално изчерпателно търсене на всички комбинации от до 20 променливи. Резултатите от това търсене обаче установиха, че най-доброто средно представяне се получава, когато моделите включват осем променливи (онлайн допълнителна фигура 2). По този начин селекцията на променливата беше проведена с помощта на изчерпателно изследване на всички подгрупи от осем или по-малко предиктори. Този прагов номер беше взет предвид за всички подходи за моделиране, за да направят моделите по-полезни в натоварена клинична среда. По-конкретно, ефективността на прогнозиране за подмножество от предиктори на всеки модел беше проведено с помощта на 10-подхода на кръстосано валидиране (CV). Десеткратното CV разделя данните на 10 подгрупи. Моделите се обучават с помощта на 9/10 от данните и се тестват върху останалата 1/10 от данните и това се повтаря за всяко подмножество. Кръстосано валидираната площ под кривата (cvAUC) е средната AUC, изчислена за всяка подгрупа от 1/10 от данните, изключени по време на разработването на модела, и е доказано, че е по-стабилна от използването на единичен подход за набор от тестове за обучение. 13 Целта беше да се идентифицира малко подмножество от предиктори с добро представяне на прогнозиране в моделите.14 Ефективността на прогнозиране беше измерено чрез 10-кратно cvAUC и най-доброто подмножество от осем променливи беше избрано като подмножество, което доведе до най-високата средна стойност cvAUC във всички модели. Чувствителността, специфичността, положителната прогнозна стойност и отрицателните прогнозни стойности бяха определени за избрани прагове за прогнозираната вероятност за липса на отговор, върната от всеки модел. Всички анализи бяха проведени в R V.4.0.2. На базата на получените модели, които бяха избрани, беше създаден R-Shiny, уеб базиран инструмент.

РЕЗУЛТАТИ

В рамките на регистъра 149 пациенти са имали налична информация за бъбречна биопсия между 2003 г. и 2017 г. От тях 83 пациенти с LN са имали изходно ниво и данни за приблизително 1-годишно проследяване на бъбречния отговор между 7,5 и 24 месеца (допълнителна онлайн фигура 1) . Три с последващи действия<7 months="" and="" four="" with="" follow-up="">2 години бяха изключени. Приблизително половината от участниците са класифицирани като субоптимални отговорили след 1 година. Характеристиките на участниците според отговора на лечението са докладвани в таблица 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 и включваше моделите LR, RF, SVML, SVMR и ANN. Таблица 3 показва подгрупата на cvAUC и предиктори за петте модела с висок cvAUC. Таблица 4 показва чувствителността и специфичността на всеки модел и се основава на средната прогноза за всичките пет модела при три прага всеки. Интерстициалното възпаление беше най-последователният предиктор и беше включено във всичките пет модела. Резултатът за активност и интерстициалната фиброза също бяха относително последователни и бяха включени във всички, с изключение на RF модела. Кривите на работните характеристики на приемника (ROC) въз основа на 10-кратното прогнозиране на CV от всеки от петте избрани модела са показани на Фигура 1. Фигура 2 изобразява ефективността (чувствителност и специфичност) на средната стойност на всички базирани на модели върху избрания праг на прогнозиране. Всички модели CART, SVMP и NB имаха cvAUC<0.7 and="" were="" excluded="" from="" further="">

С помощта на седемте най-последователни променливи беше създадено уеб базирано приложение с R shiny, което да служи като клиничен инструмент и може да бъде намерено тук: (https://histologyapp. shinyapps.io/LN_histology{{2 }}предсказания_инструмент/). В приложението по подразбиране се показва пример за данни на пациент. За да оценят нов пациент, потребителите могат да въведат хистологични и клинични лабораторни стойности, получени по време на биопсия. Получената графика изобразява, като цветни точки, прогнозираната вероятност за липса на отговор на всеки модел при праг от 0.5. Размерът на всяка точка отразява ROC AUC в комплекта за валидиране. Графиките с кутии на страницата за общ преглед представляват медианата (линия), IQR (кутия) и 25-ия и 75-ия персентил ± 1,5 пъти IQR (мустаци) на вероятностните резултати за неоптимален отговор при отделни пациенти в групите с отговор и без отговор в комплектите за валидиране (също изобразени на фигура 2A). Всяка цветна точка представлява предсказание на единичен модел на пациента, гледано в контекста на ефективността на модела в набора за валидиране. Черният 'X' представлява средната прогнозирана вероятност за липса на отговор на всичките пет модела.

ДИСКУСИЯ

Нашето проучване установи, че машинното обучение може да се използва за разработване на кръстосано валидирани модели с добра прогноза за неоптимален отговор на терапия при пациенти с LN, предимно от африкански произход. Тези модели са разработени с помощта на лесно достъпни клинични лабораторни и хистопатологични елементи по време на диагнозата. Полезността на индивидуалните хистопатологични характеристики за прогнозиране на резултатите при дифузен пролиферативен лупусен нефрит е добре описана. Предишна работа демонстрира предсказуемата сила на комбинирания индекс на активност при прогресия към бъбречна недостатъчност, с индивидуални хистологични характеристики на активност като клетъчни полумесеци и фибриноидна некроза, показващи положителни асоциации с бъбречна недостатъчност.15 Комбинацията от индекс на хроничност, както и индивидуални характеристики като тъй като интерстициалната фиброза, гломерулната склероза и фиброзните полумесеци също са предсказващи, като тубулната атрофична промяна е определена като особено висока прогностична стойност по отношение на прогресията до бъбречна недостатъчност.15 Добавянето на елементи от клинични данни, по-специално серумен креатинин, хематокрит и раса хистологичните характеристики подобриха прогнозата в последваща работа, докато други проучвания показаха, че използването на самостоятелна активност или индекси на хроничност е недостатъчно за прогнозиране на отговора. 16–19 Последните подходи за машинно обучение са използвали мултилинейна регресия и произволно горско моделиране за прогнозиране на патологична класификация, активност и хроничност от клинични лабораторни стойности и са показали обещание.20 Това проучване разширява този подход, като използва патологични променливи за прогнозиране на резултат при приблизително Една година.

драконови билки цистанче за бъбреци

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 в пет модела. Това проучване е уникално с това, че индивидуалните елементи на оценката на активността и хроничността са използвани в модели на машинно обучение. Това се подкрепя от предишна литература, описваща тяхната употреба поотделно.15

Резултатите от това прогнозно моделиране трябва да се интерпретират в правилния клиничен контекст. Наличието на висока интерстициална фиброза с нисък резултат за активност е вероятно показателно хронично увреждане, за което би се използвала имуносупресия за предотвратяване на по-нататъшно влошаване, а не за възстановяване на бъбречната функция. Въпреки това, към тези с високи резултати за активност може да се подходи с комбинирани имуносупресивни терапии или да се наблюдават за добавяне на терапии от втора линия по-рано, за да се подобри или запази бъбречната функция. Като се има предвид, че тези данни са ретроспективни, не знаем дали използването на прогнозите за насочване на решения за индукционна терапия ще промени резултатите. Както често се случва при лечението на пациенти с автоимунно заболяване, не би било подходящо клиницистът да взема решения относно избора на терапия въз основа на този прогнозен резултат, без да вземе предвид клиничния контекст. Въпреки това, прогноза за липса на отговор може да се използва за промяна на честотата на наблюдение за отговор и координация на грижите, за да се гарантира придържане към лечението.

Може също така да се има предвид при решенията за добавяне или промяна на терапията при липса на отговор в по-ранни времеви точки от препоръчаните 6 месеца съгласно насоките на ACR.

Това проучване има няколко ограничения. Информацията, използвана за моделиране на резултатите, идва предимно от пациенти от африкански произход. Следователно употребата в клиничната практика може да бъде ограничена до тази демографска група. Докато надлъжните данни в това проучване бяха събрани проспективно, анализът беше ретроспективен. Докато тромботичната микроангиопатия е била свързвана с резултати в предишни проучвания22, броят на биопсиите с това откритие (пет) ограничава нейното значение в моделите. Помощта за вземане на решения, представена тук, не е използвана проспективно, за да се определи дали промяната на стратегията за лечение въз основа на прогнозни резултати подобрява резултатите. Не е оценен при прогнозирането на дългосрочни резултати и следователно не трябва да се използва за прогнозиране на > 1-годишни резултати. Въпреки това, 1-годишните резултати са свързани с дългосрочни резултати в проучванията MAINTAIN и Euro-Lupus Nephritis.8 Изборът на пациенти за включване в това проучване може да повлияе на резултатите. Например, тези с по-бързо прогресиращо бъбречно заболяване е по-вероятно да получат биопсия. Тези с изходно ниво и приблизително 1-годишно проследяване, налични в медицинското досие, може да са предубедени към по-благоприятни резултати. Не можахме стриктно да проучим ефекта на лекарствата върху резултатите, тъй като повечето пациенти са получавали микофенолат или микофенолова киселина.

Като се има предвид хетерогенността на представянето на заболяването при LN, важно е моделите за прогнозиране на риска да включват няколко елемента от данни. Този доклад предоставя за първи път клиничен инструмент, който използва петте най-предсказуеми модела и опростява разбирането им чрез уеб базирано приложение. С моделите за прогнозиране, предложени тук, ние представяме доказателство за концепцията за инструмент, който може да информира както честотата на мониторинг, така и да улесни дискусиите с пациентите относно избора на терапия. По-внимателното наблюдение или внедряването на координация на грижите за тези, за които се прогнозира, че имат неоптимален отговор на терапията, има потенциала да подобри резултатите, но трябва да се тества проспективно.

актеозидвцистанчеимат добри ефекти върхубъбрек

ПРЕПРАТКИ

1 Dooley MA, Hogan S, Jennette C, et al. Терапия с циклофосфамид за лупусен нефрит: лоша бъбречна преживяемост при черни американци. мрежа за сътрудничество при гломерулна болест. Kidney Int 1997; 51: 1188–95.

2 Hahn BH, McMahon MA, Wilkinson A, et al. Насоки на Американския колеж по ревматология за скрининг, лечение и управление на лупусен нефрит. Грижа за артрит Res 2012; 64: 797–808.

3 Hochberg MC. Актуализиране на ревизираните критерии на Американския колеж по ревматология за класификация на системен лупус еритематозус. Артрит Rheum 1997; 40: 1725.

4 Isenberg D, Wallace DJ, Nived O. Извличане и валидиране на критерии за класификация на международни клиники за системен лупус за системен лупус еритематозус. Артрит Rheum 2012; 64.

5 Bajema IM, Wilhelmus S, Alpers CE, et al. Ревизия на класификацията на Международното дружество по нефрология/Обществото на бъбречната патология за лупусен нефрит: изясняване на дефинициите и модифицирани национални институти за здравна активност и индекси на хроничност. Kidney Int 2018; 93: 789–96.

6 Pei X, Yang W, Wang S, et al. Използване на математически алгоритми за модифициране на уравненията за оценка на скоростта на гломерулна филтрация. PLoS One 2013; 8: e57852.

7 Harris PA, Taylor R, Thielke R, et al. Прихващане на електронни данни за научни изследвания (REDCap)--методология, управлявана от метаданни, и процес на работен процес за предоставяне на информационна поддръжка за транслационни изследвания. J Biomed Inform 2009; 42: 377–81.

8 Ugolini-Lopes MR, Seguro LPC, Castro MXF и др. Ранен отговор на протеинурия: валиден предсказател на ситуация в реалния живот за дългосрочен изход от бъбречен лупус в етнически разнообразна група с тежък нефрит, доказан чрез биопсия. Lupus Sci Med 2017; 4: e000213.

9 Подкомитет по бъбречни заболявания на Американския колеж по ревматология Ad hoc комитет по критериите за отговор на системен лупус еритематозус. Критерии за отговор на Американския колеж по ревматология за пролиферативно и мембранозно бъбречно заболяване при клинични изпитвания на системен лупус еритематозус. Артрит Rheum 2006; 54: 421-32. на 27 декември 2021 г., от гост. Защитен с авторско право. на 24 август 2021 г. Изтеглено от Helget LN, et al. Лупус Наука и медицина 2021; 8: e000489. doi:10.1136/lupus-2021-000489 8 Лупус Наука и медицина

10 Wofsy D, Hillson JL, Diamond B. Сравнение на алтернативни първични мерки за изход за използване в клинични изпитвания на лупусен нефрит. Артрит Rheum 2013; 65: 1586–91.

11 Екип RC. Език и среда за статистически изчисления, 2020 г. Налично:

12 Liaw A, Wiener M. Класификация и регресия чрез произволна гора. R News 2002; 2: 18–22.

13 Hastie T, Tibshirani R, Friedman JH. Елементите на статистическото обучение: извличане на данни, изводи и прогнози: с 200 пълноцветни илюстрации. Ню Йорк: Springer, 2001.

14 LeDell E, Petersen M, van der Laan M. Изчислително ефективни доверителни интервали за кръстосано валидираната област под оценките на ROC кривата. Electron J Stat 2015; 9: 1583–607.

15 Austin HA, Muenz LR, Joyce KM, et al. Дифузен пролиферативен лупусен нефрит: идентифициране на специфични патологични характеристики, засягащи бъбречния резултат. Kidney Int 1984; 25: 689–95.

16 Austin HA, Boumpas DT, Vaughan EM, et al. Високорискови характеристики на лупусния нефрит: значението на расата и клиничните и хистологични фактори при 166 пациенти. Nephrol Dial Transplant 1995; 10: 1620–8.

17 Austin HA, Boumpas DT, Vaughan EM, et al. Прогнозиране на бъбречните резултати при тежък лупусен нефрит: принос на клинични и хистологични данни. Kidney Int 1994; 45: 544–50.

18 Schwartz MM, Bernstein J, Hill GS, et al. Прогностична стойност на бъбречната патология при дифузен пролиферативен лупусен гломерулонефрит. Група за съвместно изследване на лупусен нефрит. Kidney Int 1989; 36: 891–6.

19 Rijnink EC, Teng YKO, Wilhelmus S, et al. Клинични и хистопатологични характеристики, свързани с бъбречните резултати при лупусен нефрит. Clin J Am Soc Nephrol 2017; 12: 734–43.

20 Tang Y, Zhang W, Zhu M, et al. Прогноза на патологията на лупусния нефрит с клинични показатели. Sci Rep 2018; 8: 10231.

21 Wolf BJ, Spainhour JC, Arthur JM и др. Разработване на биомаркерни модели за прогнозиране на резултатите при лупусен нефрит. Артрит Ревматол 2016; 68: 1955–63.

22 Song D, Wu L-Hua, Wang F-mei и др. Спектърът на бъбречната тромботична микроангиопатия при лупусен нефрит. Arthritis Res Ther 2013; 15: R12. на 27 декември 2021 г., от гост. Защитен с авторско право.