Prognostic Models in IgA Nephropathy

Abstract

Bakgrunn: IgA nefropati er den vanligste glomerulonefritten i Norge og i resten av verden, og er en vanlig årsak til endestadium nyresvikt hos unge voksne. Sykdomsforløpet er svært heterogent, og det har derfor vært utfordrende å forutsi prognose. Diagnosen stilles ved nyrebiopsi og flere histologiske forandringer er assosiert med dårlig prognose. Det har nylig blitt utviklet prognostiske verktøy med mål om å spå individuell prognose, men disse verktøyene kan foreløpig ikke brukes til å styre behandling.

Metode: Vi fant pasienter med IgA nefropati fra Norsk nyrebiopsiregister og reklassifisert biopsiene etter Oxford klassifiseringen. Flere modeller ble utledet med bakgrunn i biopsiens MEST skår. Modellenes prestasjon ble vurdert ut ifra diskriminering, kalibrering og datatilpasning. Den samme pasientgruppen ble videre brukt til å gjennomføre ekstern validering av to nye prognoseverktøy, IIGAN-PT og ANN model, med bakgrunn i etablerte metoder for valideringsstudier. En undergruppe ble så brukt til å undersøke, ved hjelp av Random forest overlevelsesanalyse, hvilke kliniske og histologiske faktorer som har innflytelse på prognosen.

Resultater: Vi fant at MEST skår kan forenkles og inndeles i risikogrupper basert på en Concordance index på 0.80 og akseptable kalibreringskurver ved fem og ti år. Ekstern validering av IIGAN-PT og ANN model fant at begge modellene hadde akseptabel diskriminering med AUC-verdier fra 0.90-0.83 mellom 5-20 år for IIGAN-PT og 0.83 for hele tidsperioden for ANN model. Vi fant at ANN model hadde vansker med å forutsi risiko i lav- og høy- risikogruppene. Ved Random forest overlevelses- analysen fant vi at, av 37 mulige variabler, var nøyaktig rapportering av T lesjoner, antallet normale glomeruli, eGFR og undergrupper av S lesjoner best til å forutsi prognose. Vi fant også en sterk korrelasjon mellom prosentandelen T lesjoner og pasientens nyrefunksjon.

Konklusjon: Det er mulig å forenkle rapporteringen av Oxford klassifikasjonen og bruke den til å forutsi prognose hos pasienter med IgA nefropati. Vi fant at IIGAN-PT var noe bedre enn ANN model til å predikere prognose. Ved å rapportere T lesjoner som en kontinuerlig variabel, samt ta med undergrupper av S lesjoner, kan en øke den prognostiske verdien av Oxford klassifikasjonen.

Background: IgA nephropathy is the most common type of glomerulonephritis worldwide, and a leading cause of end-stage kidney disease. It has a heterogenous disease course, and it has been challenging to predict prognosis. A kidney biopsy is mandatory for the diagnosis, and several histopathological features have been associated with poor outcomes. Recently, prognostic tools have been developed, aiming to predict individual prognosis. However, these tools could not be used as guidance when determining treatment strategies.

Methods: We used a cohort of patients from the Norwegian Kidney Biopsy Registry. The biopsy was reclassified according to the Oxford classification. We then derived different models based on the MEST score, creating risk groups. Model performance was assessed using discrimination, calibration, and model fit. The same cohort was then used to externally validate and evaluate the performance of the IIGAN-PT and the ANN model using the established methodology for external validation. A subset of the cohort was used to identify possible clinical- and histopathological predictors using Random forest survival analysis.

Results: We found that the MEST score could be utilized into four risk groups, with a Concordance index of 0.80 and acceptable calibration at five and ten years. The evaluation of the IIGAN-PT and the ANN model revealed that both had acceptable discrimination with AUC ranging from 0.90-0.83 from 5-20 years for the IIGAN-PT and 0.83 at all times for the ANN model. We found the ANN model inaccurate in risk prediction in the lowest and highest risk categories. Random forest survival analysis revealed that of 37 candidate variables, the reporting of the exact percentage of T lesions, number of normal glomeruli, eGFR, and subtypes of the S lesions had the highest predictive value. We also found a strong correlation between the percentage of T-lesions and the patient's eGFR.

Conclusion: It is possible to simplify the reporting of the Oxford classification and use it to predict outcomes in patients with IgAN. We found the IIGAN-PT to perform better than the ANN model overall. Reporting T lesions as a continuous variable and sub-grouping of the S lesions could improve the predictive value of the Oxford classification.