使用网络生物标志物的免疫球蛋白A脏病风险分层:开发和验证研究

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 生物标志物发现发现
• 网络医学 网络医学

背景情况:

• 免疫球蛋白A脏病 (IgAN) 的传统风险模型缺乏全面的评估和治疗指导.
• 现有的模型主要依赖脏指标,需要更精细和整合的方法.

研究的目的:

• 将网络生物标志物与无监督学习集群 (基于网络生物标志物的k-means集群[KMN]) 整合在一起,以便在Igan中进行精细的风险分层.
• 探索KMN方法在Igan患者管理中的临床价值.

主要方法:

• 对1460名Igan患者的多中心前队列的分析,对200名患者进行外部验证.
• 整合人口,和外的指标,以及来自所有指标的网络生物标志物.
• 应用层次聚类和k-means方法,包括超高性能液体染色学-质谱学和便16SRNA测序,以获得代谢和微生物学的见解.

主要成果:

• 与现有工具 (AUC 0.72和0.69) 相比,KMN方案显示出更高的预后准确性 (AUC 0.77).
• KMN分层促进了个性化的治疗建议,包括低风险组的ACE抑制剂/ARB和高风险组的免疫抑制剂.
• 初步发现表明IgAN进展,血清代谢物和肠道微生物群之间的相关性.

结论:

• 由于其有效性和适用性,KMN方案在IGAN管理中显示出临床应用的巨大潜力.
• 这种新的方法为IGAN中个性化治疗策略提供了更精细的风险分层.