Nel 2009 l’ IgA Nephropathy Network ha proposto una classificazione della IgA Nephropathy attraverso 4 caratteristiche istologiche che fossero riproducibili, indipendenti tra loro e associate alla progressione della malattia indipendentemente dai dati clinici. I fattori considerati erano: Ipercellularità Mesangiale (M), Ipercellularità Endocapillare (E), Glomerulosclerosi segmentale (S) e l’Atrofia Tubulare/Fibrosi Interstiziale (T). Da qui la denominazione di MEST score [1] .
Nel 2014 la ERA-EDTA ha concluso uno studio per la validazione su una larga coorte di pazienti europei del MEST score [2].
I 55 centri Europei coinvolti
Lo studio VALIGA ha dimostrato come le lesioni M, S e T predicessero l’outcome renale nei pazienti analizzati
L’aim del nostro studio era quello di identificare nel gruppo dei pazienti più giovani, un modello prognostico combinato istologico-clinico per la predizione della progressione dell’IgA e dell’incremento della Proteinuria.
I Centri che hanno contribuito a questa analisi
La coorte era composta da 261 pazienti
I criteri di inclusione erano: IgA provata biopticamente, esclusione di IgA secondaria, revisione della biopsia al centro di Oxford, 3 determinazioni almeno di Creatinina, Proteinuria e PA, un follow up di almeno un anno e età inferiore ai 23 anni.
I dati analizzati erano: Proteinuria 24h, Pressione arteriosa media e in più la media di questi parametri nel corso del follow-up
Gli end point esaminati erano: progressione della malattia verso l’ESRD o perdita del 50% di FG, livelli medi di proteinuria e la remissione della proteinuria a livelli inferiori i 0,5 g/die
Per l’analisi venivano usate: analisi di sopravvivenza, analisi della curva ROC e Alberi di Regressione-Classificazione
Le idee alla base degli alberi di Classificazione [3] sono: ricerca del miglior cut-off cercando tra tutti i possibili valori di tutte le possibili variabili; formare sottogruppi che siano sempre più simili rispetto all’outcome studiato, ricorsivamente suddividere l’insieme di osservazioni in 2 parti.
Le caratteristiche degli alberi di Classificazione: metodo semplice e intuitivo; progettato per l’identificazione di interazioni tra fattori; possibilità di trovare relazioni non lineari; capacità di costruire classi «omogenee» di rischio.
Caratteristiche al basale della nostra coorte
Prevalenza degli elementi del MEST score nella nostra coorte
Albero di Sopravvivenza dall’evento renale combinato. I soggetti a maggior rischio erano quelli che presentavano un M score positivo al baseline, mentre il rischio era minimo in coloro che presentavano M=0 e proteinuria < 0,4 g/die
Alla regressione di Cox, le classi di rischio identificate dall’albero erano significativamente associate all’evento renale combinato
Usando un albero di Regressione, ancora la presenza di M positivo si associava in maniera significativa a un livello più alto di TA-Proteinuria, insieme a un eGFR < 90 ml/min.
In seguito venivano selezionati i 154 pazienti che avevano proteinuria al basale > 0,5 g/die, per verificare i fattori predittivi di una remissione della TA-Proteinuria al di sotto dei 0,5 g/die.
L’analisi della remissione della Proteinuria mostrava come i pazienti con più probabilità di remissione erano quelli più giovani, con M=0 alla biopsia e un eGFR > 90 ml/min
In conclusione: lo score M, la Proteinuria > 0,4 g/die e un eGFR < 90 ml/min espongono a un rischio aumentato di progressione di IgAN. I pazienti più giovani con M0= e eGFR > 90 hanno più probabilità di remissione della proteinuria. Gli alberi si sono dimostrati adeguati per la selezione di modelli prognostici combinati.
Ringraziamenti
[1] Working Group of the International IgA Nephropathy Network and the Renal Pathology Society, Cattran DC, Coppo R et al. The Oxford classification of IgA nephropathy: rationale, clinicopathological correlations, and classification. Kidney international 2009 Sep;76(5):534-45
[2] Coppo R, Troyanov S, Bellur S et al. Validation of the Oxford classification of IgA nephropathy in cohorts with different presentations and treatments. Kidney international 2014 Oct;86(4):828-36
[3] Strobl C, Malley J, Tutz G et al. An introduction to recursive partitioning: rationale, application, and characteristics of classification and regression trees, bagging, and random forests. Psychological methods 2009 Dec;14(4):323-48
Per inserire una domanda, segnalare la tua esperienza, un tuo commento o una richiesta di precisazione fai il login con il tuo nome utente e password.
Se non lo sei ancora puoi registrati partendo da qui.