Utveckling av en lupus nefrit Suboptimal Response Prediction Tool med njurhistopatologiska och kliniska laboratorievariabler vid tidpunkten för diagnos

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

MålLupus nefrit (LN) är enimmunkomplexförmedlad glomerulär och tubulointerstitiell sjukdom hos patienter med SLE. Förutsägelse av utfall vid början av LN-diagnos kan vägleda beslut angående intensiteten av övervakning och terapi för behandlingsframgång. För närvarande finns ingen maskininlärningsmodell för resultat. Flera resultatmodelleringsarbeten har använt univariat eller linjär modellering men var begränsade av sjukdomens heterogenitet. Vi antog att en kombination av njurpatologiska resultat och rutinmässiga kliniska laboratoriedata skulle kunna användas för att utveckla och korsvalidera ett kliniskt meningsfullt verktyg för tidig beslutsstöd för maskininlärning som förutsäger LN-resultat efter cirka 1 år.

MetoderFör att ta itu med denna hypotes identifierades patienter med LN från ett prospektivt longitudinellt register vid Medical University of South Carolina inskrivna mellan 2003 och 2017 om de hade njurbiopsier med International Society of Nephrology/Renal Pathology Society patologisk klassificering. Kliniska laboratorievärden vid tidpunkten för diagnos och utfallsvariabler vid cirka 1 år registrerades. Maskininlärningsmodeller utvecklades och korsvaliderades för att förutsäga suboptimala svar.

ResultatFive 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 prediktiva variablerna var interstitiell inflammation, interstitiell fibros, aktivitetspoäng och kronicitetspoäng från njurpatologi och urinprotein-till-kreatinin-förhållande, antal vita blodkroppar och hemoglobin från de kliniska laboratorierna. Ett webbaserat verktyg skapades för kliniker att ange dessa baslinjevariabler för kliniska laboratorier och histopatologi för att producera ett sannolikhetspoäng för suboptimalt svar.

SlutsatsMed tanke på heterogeniteten i sjukdomspresentationen i LN är det viktigt att riskprediktionsmodeller innehåller flera dataelement. Denna rapport tillhandahåller för första gången ett kliniskt proof-of-concept-verktyg som använder de fem mest prediktiva modellerna och förenklar förståelsen av dem genom en webbaserad applikation.

Kontakt:joanna.jia@wecistanche.com

Cistanche herbadeserticola förhindrarnjuresjukdom, klicka här för att få provet

INTRODUKTION

Lupus nefrit (LN) är en immunkomplexmedierad glomerulär och tubulointerstitiell sjukdom hos patienter med SLE. Ungefär 50 procent av patienterna med SLE utvecklasnjure-relaterade komplikationer, inklusive LN, och upp till 48 procent av dem med den diffusa proliferativa sjukdomen kan utvecklas till njursjukdom i slutstadiet inom 5 år efter diagnosen bland afroamerikaner.1 American College of Rheumatology (ACR) rekommenderar för närvarande att byta behandling när patienter med LN bedöms som icke-reagerande efter 6 månaders induktionsterapi.2 Kliniker använder en mängd olika serummarkörer, inklusive C3, C4, antidubbelsträngat DNA (anti-dsDNA) och kreatinin, såväl som urinprotein -till-kreatininförhållande och sediment för att övervaka svaret på behandlingen, men svaret på behandlingen definieras inte i riktlinjerna.2 Medan i denna 6-månadsstudie med induktionsterapi kan patienter som inte svarar utveckla ytterligare irreversibel njurfunktion skada. Ett beslutsstödsverktyg baserat på maskininlärningsmodeller kan vara användbart för att fastställa baslinjeegenskaperna hos patienter som är mindre benägna att svara på induktionsterapi. För närvarande har ingen kliniskt användbar maskininlärningsmodell för 1-årsresultat utvecklats. Univariat eller linjär modellering har inte förutspått utfall väl i denna heterogena sjukdom.

Vi antog att en kombination av njurpatologiska resultat och rutinmässiga kliniska laboratoriedata kunde användas för att utveckla och korsvalidera ett tidigt LN-beslutsstödsverktyg som förutsäger suboptimalt svar vid cirka 1 år i LN.

METODER

Patientpopulation

Patientdata härrörde från Medical University of South Carolina (MUSC) Core Center for Clinical Research (CCCR) prospektiv longitudinell kohort. CCCR-databasen sponsras av NIH under P30-mekanismen och är ett longitudinellt register och biolager över huvudsakligen afroamerikanska patienter med SLE. De utvalda patienterna uppfylldes vid ACR- eller SLE International Cooperating Clinics-kriterierna för SLE,3 4 utvärderades av en reumatolog vid MUSC och gick med på att registreras i kohorten. Den prospektiva longitudinella kohortdatabasen skapades 2003. Sjukdomskriterier och njurbiopsidata matades till stor del in prospektivt, men några lades till retrospektivt genom diagramgranskning.

cistanchekan behandlaakut njursvikt

Inklusionskriterier

Patienterna valdes också ut om de hade reviderat International Society of Nephrology/Renal Pathology Society (ISN/RPS), aktiv klass, I, II, III, IV eller V nefrit genom histopatologi antingen vid initial presentation av LN eller med en försämring av LN, vilket tyder på upprepad biopsi mellan 2003 och 2017.5 Endast patienter med fullständiga laboratoriedata tillgängliga vid tidpunkten för njurbiopsi och cirka 12 månader (7–24 månader) efter njurbiopsi inkluderades i studien.

Laboratorieanalys

Laboratorievärden erhölls som en del av standardpatientvården. Tester för 24-timmes urinprotein, protein till kreatinin-förhållande, serumkreatinin, albumin, hemoglobin, antal vita blodkroppar, antal blodplättar, anti-dsDNA, C3 och C4 utfördes av Clinical Laboratory Improvement Amendments-certifierade centrallaboratorier vid MUSC, LabCorp eller externa sjukhuslaboratorier. Den uppskattade glomerulära filtrationshastigheten (eGFR) bestämdes genom att användaKroniskNjureSjukdomEpidemiology Collaboration (CKD-EPI) ekvation.6

Patologisk analys

Njurbiopsier lästes av en av två njurpatologer vid MUSC (SES eller ETB) med 2018 reviderade ISN/RPS-aktivitet (0–24) och kronicitet (0–12) ) indexelement (var och en fick 0–3 poäng för 0 procent ,<25%, 25%–50%="" and="">50 procent involvering).5 Inkluderade i aktivitetsindexet är endokapillär hypercellularitet, karyorrhexis, fibrinoidnekros, hyalina avlagringar, cellulära eller fibrocellulära halvmånar och interstitiell inflammation. Poängen fördubblades för halvmånar och nekros. Inkluderat i kronicitetsindexet var total glomerulosklerospoäng, fibrösa halvmånar, tubulär atrofi och interstitiell fibros.

Data hantering

Data för CCCR-databasen dömdes direkt in i REDCap-databasen med hjälp av Data Transfer Service7 för att eliminera transkriptionsfel. Vissa laboratorievärden extraherades genom kartgranskning av den elektroniska journalen och skannade labbrapporter och matades in manuellt i databasen. En fem procent dubbelinmatning av abstraherad data utfördes för att säkerställa transkriptionsfel<5%. pathology="" reports="" were="" manually="" abstracted="" and="" entered="" into="" the="" registry="" if="" not="" already="">

Statistisk analys

Resultatvariabeln var misslyckandet med att helt svara på terapi efter cirka 1 år. Denna tidpunkt valdes, eftersom svarsvariabler efter 1 år är prediktiva för långtidssvarsår i MAINTAIN- och Euro-Lupus Nephritis-studierna.8 Responsen definierades av en modifiering av ACR-svarskriterierna.9 Ändringarna av dessa kriterier beskrevs tidigare av Wofsy et al. 10 Kortfattat inkluderar detta modifierade fullständiga svar att uppnå ett urinprotein-till-kreatinin-förhållande 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 för denna studie var att identifiera en sparsam delmängd av prediktorer från patientdemografi och baslinjelaboratorie- och biopsidata som gav goda prediktionsprestandaegenskaper för en uppsättning multivariabla prediktionsmodeller av suboptimalt svar efter cirka 1 år. Multivariabla klassificeringsmodeller som beaktades i denna studie inkluderade logistisk regression (LR), klassificerings- och regressionsträd (CART), slumpmässig skog (RF), stödvektormaskiner med linjära, polynomiska och Gaussiska kärnor (SVML, SVMP respektive SVMR), naiva Bayes (NB) och artificiella neurala nätverk (ANN). RF-modeller anpassades med paketet "randomForest"; LR-modeller passade med hjälp av "stats"-paketen; SVM- och NB-modeller passade med paketet 'e1071'; ANNs modeller anpassades med hjälp av "nätet" som finns i R.11 12 Inställningsparametrar för de olika modellerna valdes ut innan modellerna utvecklades. En första uttömmande sökning av alla kombinationer av upp till 20 variabler övervägdes. Resultaten från denna sökning fann dock att den bästa genomsnittliga prestandan inträffade när modellerna inkluderade åtta variabler (tilläggsfigur 2 online). Variabelurvalet utfördes således med en uttömmande undersökning av alla delmängder av åtta eller färre prediktorer. Detta tröskelvärde övervägdes för alla modelleringsmetoder för att göra modellerna mer användbara i en hektisk klinisk miljö. Specifikt utfördes prediktionsprestanda för varje modells delmängd av prediktorer med hjälp av 10-faldig korsvalidering (CV)-metod. Tiofaldigt CV delar in data i 10 delmängder. Modeller tränas med 9/10 av data och testas på återstående 1/10 av data, och detta upprepas för varje delmängd. Det korsvaliderade området under kurvan (cvAUC) är den genomsnittliga AUC som beräknats för varje delmängd av 1/10 av de data som uteslutits under modellutvecklingen och har visat sig vara mer robust än användningen av en enstaka träningstestuppsättning. 13 Målet var att identifiera en liten delmängd av prediktorer med god prediktionsprestanda över modellerna.14 Predictionprestandan mättes med 10-faldig cvAUC och den bästa delmängden av åtta variabler valdes ut som den delmängd som resulterade i det högsta genomsnittet cvAUC för alla modeller. Sensitivitet, specificitet, positivt prediktivt värde och negativa prediktiva värden bestämdes för utvalda tröskelvärden för den förutsagda sannolikheten för utebliven respons som returneras av varje modell. Alla analyser utfördes i R V.4.0.2. Ett R-Shiny, webbaserat verktyg skapades baserat på de resulterande modellerna som valdes ut.

RESULTAT

Inom registret hade 149 patienter information om njurbiopsi tillgänglig mellan 2003 och 2017. Av dessa hade 83 patienter med LN baseline och cirka 1-års uppföljningsdata om njursvar mellan 7,5 och 24 månader (tilläggsbild 1 online) . Tre med uppföljning<7 months="" and="" four="" with="" follow-up="">2 år exkluderades. Ungefär hälften av deltagarna klassificerades som suboptimala svarare vid 1 år. Deltagaregenskaper efter behandlingssvar redovisas 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 och inkluderade modellerna LR, RF, SVML, SVMR och ANN. Tabell 3 visar cvAUCs och prediktorer underuppsättningen för de fem modellerna med hög cvAUC. Tabell 4 visar känsligheten och specificiteten för varje modell och är baserad på den genomsnittliga förutsägelsen för alla fem modellerna vid tre trösklar vardera. Interstitiell inflammation var den mest konsekventa prediktorn och ingick i alla fem modellerna. Aktivitetspoäng och interstitiell fibros var också relativt konsekventa och ingick i alla utom RF-modellen. Kurvorna för mottagarens funktionsegenskaper (ROC) baserade på den 10-faldiga CV-förutsägelsen från var och en av de fem valda modellerna visas i figur 1. Figur 2 visar prestandan (känslighet och specificitet) för medelvärdet av alla modeller baserade på den valda prediktionströskeln. CART-, SVMP- och NB-modellerna hade alla cvAUC:er<0.7 and="" were="" excluded="" from="" further="">

Med hjälp av de sju mest konsekventa variablerna skapades en webbaserad applikation med R shiny för att fungera som ett kliniskt verktyg och kan hittas här: (https://histologyapp. shinyapps.io/LN_histology{{2} }}förutsägelse_verktyg/). I applikationen visas ett exempel på en patients data som standard. För att utvärdera en ny patient kan användarna ange histologiska och kliniska laboratorievärden som erhållits vid tidpunkten för biopsi. Den resulterande grafen visar, som färgade punkter, den förutsagda sannolikheten för utebliven respons för varje modell vid en tröskel på 0.5. Storleken på varje punkt återspeglar ROC AUC i valideringsuppsättningen. Rutorna på översiktssidan representerar medianen (linje), IQR (ruta) och den 25:e och 75:e percentilen ±1,5 gånger IQR (morrhår) för sannolikhetspoäng för suboptimalt svar hos enskilda patienter i gruppen med svar och icke-svarare. i valideringsuppsättningarna (även avbildad i figur 2A). Varje färgad prick representerar en enskild modellförutsägelse av patienten sett i samband med modellens prestanda i valideringsuppsättningen. Det svarta "X" representerar den genomsnittliga förväntade sannolikheten för bortfall av alla fem modellerna.

DISKUSSION

Vår studie fastställde att maskininlärning kan användas för att utveckla korsvaliderade modeller med en god förutsägelse av suboptimalt svar på terapi hos patienter med LN, främst av afrikansk härkomst. Dessa modeller utvecklades med hjälp av lätt tillgängliga kliniska laboratorie- och histopatologiska element vid tidpunkten för diagnos. Användbarheten av individuella histopatologiska egenskaper för att förutsäga utfall vid diffus proliferativ lupusnefrit är väl beskriven. Tidigare arbete har visat den prediktiva styrkan av sammansatt aktivitetsindexpoäng under progression till njursvikt, med individuella histologiska egenskaper hos aktiviteten såsom cellhalvmånar och fibrinoidnekros som visar positiva samband med njursvikt.15 Sammansättningen av kronicitetsindex såväl som individuella egenskaper som t.ex. som interstitiell fibros, glomerulär skleros och fibrös halvmåne var också prediktiva, med tubulär atrofisk förändring som fastställdes vara av särskilt högt prediktivt värde med avseende på progression till njursvikt.15 Tillägget av kliniska dataelement, särskilt serumkreatinin, hematokrit och ras till histologiska egenskaper förbättrade förutsägelser i efterföljande arbete, medan andra studier visade att användningen av fristående aktivitets- eller kronicitetsindex var otillräcklig för att förutsäga svar. 16–19 Nya metoder för maskininlärning har använt multilinjär regression och slumpmässig skogsmodellering för att förutsäga patologisk klassificering, aktivitet och kronicitet från kliniska laboratorievärden och har visat lovande.20 Denna studie utökar detta tillvägagångssätt genom att använda patologiska variabler för att förutsäga ett utfall vid ungefär 1 år.

dragon örter cistanche för njure

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. Denna studie är unik genom att individuella aktivitets- och kronicitetspoängelement användes i maskininlärningsmodeller. Detta stöds av tidigare litteratur som beskriver deras användning individuellt.15

Resultaten av denna förutsägelsemodellering bör tolkas i det korrekta kliniska sammanhanget. Närvaron av hög interstitiell fibros med låg aktivitetspoäng är en trolig indikation på kronisk skada för vilken immunsuppression skulle användas för att förhindra ytterligare försämring snarare än att återställa njurfunktionen. De med höga aktivitetspoäng kan dock kontaktas med kombinerade immunsuppressiva terapier eller övervakas för tillägg av andra linjens terapier tidigare för att förbättra eller bevara njurfunktionen. Med tanke på att dessa data var retrospektiva, vet vi inte om användningen av förutsägelserna för att vägleda beslut om induktionsterapi kommer att förändra resultaten. Som ofta är fallet vid hantering av patienter med autoimmun sjukdom skulle det inte vara lämpligt för en läkare att fatta beslut om valet av terapi baserat på denna förutsägelsepoäng utan hänsyn till det kliniska sammanhanget. En förutsägelse av uteblivet svar skulle dock kunna användas för att ändra frekvensen av övervakning för svar och vårdkoordinering för att säkerställa att medicinen följs.

Det kan också övervägas i beslut att lägga till eller byta terapi för bristande svar vid tidigare tidpunkter än de rekommenderade 6 månaderna enligt ACR-riktlinjerna.

Denna studie har flera begränsningar. Informationen som användes för att modellera resultat kom främst från patienter av afrikansk härkomst. Därför kan användning i klinisk praxis begränsas till denna demografiska. Medan longitudinella data i denna studie samlades in prospektivt, var analysen retrospektiv. Medan trombotisk mikroangiopati har associerats med resultat i tidigare studier22, begränsade antalet biopsier med detta fynd (fem) dess betydelse i modellerna. Beslutsstödet som presenteras här har inte använts prospektivt för att avgöra om en förändring av behandlingsstrategin baserat på förutsägelsepoäng förbättrar resultaten. Det har inte utvärderats i förutsägelsen av långsiktiga utfall och bör därför inte användas för att förutsäga > 1-årsutfall. Däremot har 1-årsresultat associerats med långsiktiga resultat i MAINTAIN- och Euro-Lupus Nephritis-studierna.8 Val av patienter som ska inkluderas i denna studie kan påverka resultaten. Till exempel är de med snabbare progressiv njursjukdom mer benägna att få en biopsi. De med baslinje och cirka {7}}års uppföljning tillgänglig i journalen kan vara partiska för mer gynnsamma resultat. Vi kunde inte noggrant studera effekten av mediciner på utfall, eftersom de flesta patienter fick mykofenolat eller mykofenolsyra.

Med tanke på heterogeniteten i sjukdomspresentationen i LN är det viktigt att riskprediktionsmodeller innehåller flera dataelement. Denna rapport tillhandahåller för första gången ett kliniskt verktyg som använder de fem mest prediktiva modellerna och förenklar förståelsen av dem genom en webbaserad applikation. Med de här föreslagna prediktionsmodellerna presenterar vi ett proof of concept för ett verktyg som kan informera både om frekvensen av övervakning och underlätta diskussioner med patienter om val av terapi. Att noggrannare övervaka eller implementera vårdkoordination för dem som förutspås ha ett suboptimalt svar på terapi har potential att förbättra resultaten men bör testas prospektivt.

akteosidicistancheha goda effekter pånjure

REFERENSER

1 Dooley MA, Hogan S, Jennette C, et al. Cyklofosfamidbehandling för lupus nefrit: dålig njuröverlevnad hos svarta amerikaner. glomerulär sjukdom samarbetsnätverk. Kidney Int 1997;51:1188–95.

2 Hahn BH, McMahon MA, Wilkinson A, et al. American College of Rheumatology riktlinjer för screening, behandling och hantering av lupus nefrit. Arthritis Care Res 2012;64:797–808.

3 Hochberg MC. Uppdatering av American College of Rheumatology reviderade kriterier för klassificering av systemisk lupus erythematosus. Arthritis Rheum 1997;40:1725.

4 Isenberg D, Wallace DJ, Nived O. Härledning och validering av systemisk lupus internationella samarbetande kliniker klassificeringskriterier för systemisk lupus erythematosus. Artrit Rheum 2012;64.

5 Bajema IM, Wilhelmus S, Alpers CE, et al. Revision av klassificeringen av International Society of Nephrology/Renal Pathology Society för lupus nefrit: förtydligande av definitioner och modifierade nationella institut för hälsoaktivitet och kronicitetsindex. Kidney Int 2018;93:789–96.

6 Pei X, Yang W, Wang S, et al. Använda matematiska algoritmer för att modifiera glomerulära filtrationshastighetsuppskattningsekvationer. PLoS One 2013;8:e57852.

7 Harris PA, Taylor R, Thielke R, et al. Forskning om elektronisk datainsamling (REDCap)--en metadatadriven metodik och arbetsflödesprocess för att tillhandahålla stöd för översättning av forskningsinformatik. J Biomed Inform 2009;42:377–81.

8 Ugolini-Lopes MR, Seguro LPC, Castro MXF, et al. Tidig proteinuri-svar: en giltig verklig situationsprediktor för långsiktigt lupus-njurutfall i en etniskt mångfaldig grupp med svår biopsi-beprövad nefrit. Lupus Sci Med 2017;4:e000213.

9 Underkommitté för njursjukdom vid American College of Rheumatology Ad Hoc-kommitté för systemisk lupus erythematosus svarskriterier. American College of Rheumatology svarskriterier för proliferativ och membranös njursjukdom i kliniska prövningar av systemisk lupus erythematosus. Artrit Rheum 2006;54:421–32. den 27 december 2021 av gästen. Skyddad av upphovsrätt. den 24 augusti 2021. Nedladdat från Helget LN, et al. Lupus Science & Medicine 2021;8:e000489. doi:10.1136/lupus-2021-000489 8 Lupus Science & Medicine

10 Wofsy D, Hillson JL, Diamond B. Jämförelse av alternativa primära resultatmått för användning i kliniska prövningar av lupus nefrit. Artrit Rheum 2013;65:1586–91.

11 Team RC. Ett språk och en miljö för statistisk beräkning, 2020. Tillgängligt:

12 Liaw A, Wiener M. Klassificering och regression genom slumpmässig skog. R Nyheter 2002;2:18–22.

13 Hastie T, Tibshirani R, Friedman JH. Elementen i statistiskt lärande: datautvinning, slutledning och förutsägelse: med 200 illustrationer i fullfärg. New York: Springer, 2001.

14 LeDell E, Petersen M, van der Laan M. Beräkningseffektiva konfidensintervall för det korsvaliderade området under ROC-kurveskattningarna. Electron J Stat 2015;9:1583–607.

15 Austin HA, Muenz LR, Joyce KM, et al. Diffus proliferativ lupusnefrit: identifiering av specifika patologiska egenskaper som påverkar det renala resultatet. Kidney Int 1984;25:689–95.

16 Austin HA, Boumpas DT, Vaughan EM, et al. Högriskegenskaper för lupus nefrit: betydelsen av ras och kliniska och histologiska faktorer hos 166 patienter. Nephrol Dial Transplant 1995;10:1620–8.

17 Austin HA, Boumpas DT, Vaughan EM, et al. Förutsäga njurresultat vid svår lupusnefrit: bidrag från kliniska och histologiska data. Kidney Int 1994;45:544–50.

18 Schwartz MM, Bernstein J, Hill GS, et al. Prediktivt värde av njurpatologi vid diffus proliferativ lupus glomerulonefrit. lupus nefrit Collaborative Study Group. Kidney Int 1989;36:891–6.

19 Rijnink EC, Teng YKO, Wilhelmus S, et al. Kliniska och histopatologiska egenskaper associerade med njurresultat vid lupus nefrit. Clin J Am Soc Nephrol 2017;12:734–43.

20 Tang Y, Zhang W, Zhu M, et al. Lupus nefrit patologi förutsägelse med kliniska index. Sci Rep 2018;8:10231.

21 Wolf BJ, Spainhour JC, Arthur JM, et al. Utveckling av biomarkörmodeller för att förutsäga utfall vid lupus nefrit. Artrit Rheumatol 2016;68:1955–63.

22 Song D, Wu L-Hua, Wang F-mei, et al. Spektrum av renal trombotisk mikroangiopati vid lupus nefrit. Artrit Res Ther 2013;15:R12. den 27 december 2021 av gästen. Skyddad av upphovsrätt.