Diabetes Care 1

Identifikasi Novel Beredar Biomarkers Memprediksi

Penurunan cepat dalam fungsi ginjal di
Kirsten E. Peters, 1,2 Wendy A. Davis, 1 Jun Ito, 2 Kaye Winfield, 2 Thomas Stoll, 2 Scott D. Bringans, 2 Richard J. Lipscombe,
2 dan Timotius ME Davis1

Diabetes Tipe 2: The Fremantle Diabetes Study

Tahap II
https://doi.org/10.2337/dc17-0911
TUJUAN Untuk menilai kemampuan apolipoprotein plasma (apo) A-IV (apoA4), apo C -III, CD5 antigen-seperti
(CD5L), melengkapi C1q subkomponen subunit B (C1QB), melengkapi faktor yang berhubungan dengan H protein 2,
dan insulin-like growth factor binding protein 3 (IBP3) untuk memprediksi penurunan cepat dalam estimasi tingkat
glomerularfiltration (eGFR ) pada diabetes tipe 2.
DESAIN PENELITIAN DAN METODE Mass spektrometri digunakan untuk mengukur biomarker dasar pada pasien
berdasarkan 345 komunitas (usia rata-rata 67,0 tahun, 51,9% laki-laki) dari Fremantle Diabetes Study Tahap II. Regresi
logistik berganda digunakan untuk menentukan prediktor klinis yang cepat lintasan eGFR penurunan didefinisikan oleh
pemodelan berbasis kelompok semiparametrik selama periode follow-up 4 tahun. Manfaat tambahan dari setiap
biomarker kemudian dinilai. Analisis serupa dilakukan untuk 30% eGFR jatuh, insiden penyakit ginjal kronis (eGFR
<60 mL / menit / 1,73 m2), dan eGFR penurunan 5 mL / menit / 1,73 m2 / tahun.
HASIL
1University dari Australia Barat, Medical School, Fakultas Kesehatan dan Ilmu Kedokteran, Fremantle, Berdasarkan
analisis eGFR lintasan, 35 peserta (10,1%) didefinisikan sebagai yang mengalami penurunan yang cepat (berarti
menurunkan 2,9 mL / menit / 1,73 m2 / tahun) . Setelah penyesuaian untuk prediktor klinis, apoA4, CD5L, dan C1QB
secara independen memprediksi penurunan cepat (rasio odds 2,40 [95% CI 1,24-4,61], 0,52 [0,29-0,93], dan 2,41 [1,14-
5,11], masing-masing) dan peningkatan kinerja Model dan fit (P <0,001), diskriminasi (area di bawah kurva 0,75-0,82, P
= 0,039), dan reklasifikasi (net reklasifikasi indeks 0,76 [0.63-
Australia Barat, Australia 2Proteomics Internasional, Perth, Australia Barat, Australia sesuai penulis : Timothy ME Davis, tim
.davis @ uwa.edu.au diterima 8 Mei 2017 dan diterima Agustus 2017. 0,89] 3; peningkatan diskriminasi terintegrasi 6,3% [2,1-
10,4%]).. Biomarker ini
Artikel ini berisi Tambahan data
secara online dan IBP3 kontribusi terhadap peningkatan kinerja model dalam memprediksi indeks lainnya dari
pada
http://care.diabetesjournals.org/lookup/ penurunan eGFR cepat.
suppl / doi: 10,2337 / dc17-0911 / - / DC1. 2017 oleh American Diabetes Association. KESIMPULAN
Pembaca dapat menggunakan
artikel ini selama pekerjaan Studi saat ini telah mengidentifikasi Novel biomarker plasma (apoA4, CD5L, C1QB, dan
IBP3) yang dapat meningkatkan prediksi penurunan cepat dalam fungsi ginjal indepen-
benar dikutip, menggunakan adalah pendidikan dan bukan untuk keuntungan, dan pekerjaan tidak diubah. Lebih informal
mation tersedia di http: //www.diabetesjournals dently faktor risiko klinis yang diakui dalam diabetes tipe 2.

.org / konten / lisensi. Diabetes Care

Publikasikan Menjelang Print, dipublikasikan secara online 29 Agustus 2017
2 Biomarker Penurunan ginjal di Tipe 2 Diabetes Diabetes Care
Diabetes adalah penyebab utama stadium akhir penyakit nal ulang (ESRD), akuntansi untuk 40-50% dari kasus baru di AS dan
pengeluaran perawatan kesehatan terbesar tahunan com- dikupas dengan semua utama ESRD hidung diag- lainnya (1,2). Sampai
dengan sepertiga dari orang dewasa dengan diabetes tipe 2 yang baru didiagnosis memiliki penyakit ginjal kronis (CKD) (2),
menyiratkan bahwa itu sering berkembang selama pradiabetes. Penilaian konvensional dan pemantauan CKD adalah dengan
pengukuran albuminuria (albumin urin-ke-rasio kreatinin [ACR] atau laju ekskresi albumin urin) dan fungsi ginjal (esti-
dikawinkan laju filtrasi glomerulus [eGFR]), tetapi langkah-langkah ini tunduk pada substan - esensial variabilitas intraindividual
dari waktu ke waktu yang mencerminkan intercurrent penyakit, status hidrasi, dan perubahan obat (3). Hubungan antara ACR dan
eGFR juga variabel, contoh menjadi devel-opment CKD (EGFR, 60 mL / menit / 1,73 m2) tanpa albuminuria (4). Dalam disi ad-,
kemampuan dasar ACR dan / atau eGFR untuk memprediksi onset dan sion progres- penyakit ginjal diabetik (DKD) tetap miskin
(5). Mengingat keterbatasan prognostik ACR dan eGFR, telah fokus pada biomarker alternatif yang bisa mengidentifikasi pasien
yang berada pada peningkatan risiko DKD. Ini termasuk ies stud- dari berbagai protein plasma (6-12), tetapi sebagian besar telah
dibatasi oleh ukuran sampel yang kecil; pengecualian dari pasien tanpa albuminuria dan / atau CKD; dan / atau dimasukkannya
pasien yang tidak mewakili diabetes tipe 2 di masyarakat, seperti yang berpartisipasi dalam uji klinis atau mereka yang telah
dipilih dari klinik rawat jalan rumah sakit.
Perkembangan DKD secara tradisional dianalisis menggunakan titik akhir keras ESRD, dengan dua kali lipat dari kadar
kreatinin serum (sesuai dengan pengurangan 57% di eGFR) diterima sebagai pengganti berguna. Namun,
theseendpointsaccruerelatively perlahan-lahan, dengan studi longitudinal besar kembali dipersyaratkan untuk menangkap hasil
yang cukup. Bunga baru-baru ini telah berubah ke metrik berbasis eGFR alternatif yang dapat digunakan selama periode waktu
yang lebih singkat. AS Food and Drug Administration telah mengusulkan penurunan eGFR 30- 40% lebih dari 2 atau 3 tahun
sebagai titik akhir pengganti yang cocok dalam uji klinis karena kuat dan konsisten asso- diasosiasikan dengan ESRD (13).
Penyakit Ginjal: Meningkatkan global Hasil (KDIGO) pedoman (14) merekomendasikan penurunan eGFR tahunan 5 mL / menit
/ 1,73 m2 sebagai alternatif untuk penilaianDKD.
kemajuan Pengukuran Serial rum kreatinin se- mendefinisikan lintasan fungsi ginjal dari waktu ke waktu, seperti melalui analisis
kelas laten, telah terbukti untuk menangkap sifat dinamis dari EGFR, dengan lintasan menurun cepat As- sociated dengan semua
penyebab kematian (15) dan kejadian kardiovaskular utama (16) di perorangan- perorangan dengan diabetes tipe 2.
Tujuan dari longitudinal studi servational ob- ini, oleh karena itu, untuk menilai kemampuan pilihan pengelompokan baru
biomarker protein plasma untuk memprediksi cepat menurun eGFR dalam kohort berbasis masyarakat perwakilan dari individu
dengan diabetes tipe 2. Manfaat tambahan dari biomarker ditambahkan ke model prediksi klinis ditentukan di empat berikut
definisi defi- klinis yang relevan dari perkembangan DKD: 1) cepat de- clining eGFR lintasan, 2) insiden CKD, 3) penurunan
eGFR dari $ 30% lebih dari 4 tahun (atau 7,5% / tahun), dan 4) penurunan eGFR tahunan sebesar $ 5 mL / menit / 1,73 m2.
PENELITIAN DESAIN DAN METODE
Pasien Kami menggunakan data dari membujur obser- vational Fremantle Diabetes Study Tahap II (FDS2), rincian yang telah
pub-lished (17). Dari 1.551 pasien dengan diabetes tipe 2 direkrut ke FDS2 antara tahun 2008 dan 2011, 345 telah menghadiri
tiga penilaian dua tahunan (baseline, tahun 2, dan tahun 4) antara tahun 2008 dan 2014 dan memiliki data lengkap tentang ACR
urin, eGFR, dan obat-obatan, termasuk penggunaan renin angiotensin aldosteron tor inhibitor (RAASis). Sampel puasa plasma
kumpulkan lected dari subkelompok ini dan disimpan pada 280 C yang digunakan dalam FDS2 substudy hadir. Protokol FDS2
telah disetujui oleh South Metropolitan Area Health Service Komite Etika Penelitian Manusia. Semua subjek memberikan
informed consent sebelum berpartisipasi.
Ginjal Hasil The Ginjal Kronis persamaan Kolaborasi Penyakit Epidemiologi digunakan untuk calcu- akhir eGFR (18). Hasil
utama yang menarik adalah eGFR lintasan berdasarkan hubungan yang kuat antara ini Measures hasil pasti dan merugikan tipe 2
tes diabe- (15,16). Lintasan dimodelkan menggunakan campuran terbatas distribusi probabilitas didefinisikan sesuai, seperti yang
dijelaskan sebelumnya (15). Pemodelan mengidentifikasi empat lintasan linear dari eGFR perubahan dari waktu ke waktu (
rendah, menengah, tinggi, dan
cepat menurun). Untuk analisis lebih lanjut oleh lintasan, pasien dengan lintasan yang cepat menurun ( decliners cepat)
dibandingkan dengan mereka yang memiliki lintasan menurun nonrapid (disebut decliners nonrapid, pooling data dari pasien di
rendah, menengah, dan tinggi lintasan).
Dalam serangkaian analisis tambahan, utilitas dari biomarker untuk memprediksi penurunan ginjal yang cepat oleh tions
defini- alternatif diselidiki, termasuk 1) SEWAKTU-penyok CKD (EGFR, 60 mL / menit / 1,73 m2 di tahun 4 pada individu
yang memiliki eGFR $ 60 mL / menit / 1,73 m2 pada awal), 2) penurunan eGFR dari $ 30% antara awal penelitian dan tahun 4
(7,5% / tahun) (13), dan 3) penurunan tahunan di eGFR dari $ 5 mL / min / 1.73 m2 dihitung sebagai (baseline eGFR 2 tahun 4
eGFR) / (waktu antara baseline dan tahun 4) (14). Mikroalbuminuria dan macroalbuminuria didefinisikan sebagai pertama-pagi
kemih ACR dari $ 3 mg / mmol dan $ 30 mg / mmol, masing-masing.
Biomarker Penemuan dan Verifikasi biomarker penemuan telah dijelaskan sebelumnya (19). Singkatnya, daftar biomarker calon
ditentukan oleh mic proteo- massal berbasis spektrometri penemuan dan validasi alur kerja. Semua sampel diukur dengan
menggunakan massa yang ditargetkan spectrome- mencoba, dikenal sebagai pemantauan reaksi beberapa (MRM). Perubahan
relatif peptida tari abun- diukur terhadap 18O- plasma referensi berlabel untuk memberikan rasio daerah puncak untuk setiap
biomarker. The bustness RO- dari uji MRM itu didemonstrasikan oleh analisis kuantitatif relatif intraday dan rujukan terbaik
kontrol ence plasma interday dan sintetis sta- ble peptida isotop-berlabel (koefisien intraday variasi 5,9%, koefisien interday
variasi 8,1%). Dalam sebelumnya ulang studi porting, MRM assay PromarkerD (Proteomika Internasional, Perth, Australia)
dikembangkan yang mengidentifikasi panel biomarker diukur secara simultan dari DKD (19) yang termasuk apolipoprotein A-IV
(apoA4), apolipoprotein C-III (apoC3 ), CD5 antigen-seperti (CD5L), melengkapi C1q subkomponen subunit B (C1QB),
melengkapi faktor yang berhubungan dengan H protein 2 (CFHR2), dan insulin-like growth factor-binding protein 3 (IBP3) (20).
Analisis Statistik Analisis statistik dilakukan di SPSS for Windows (versi 22; SPSS Inc., Chicago, IL) dan perangkat lunak
RStudio (versi 1.0.136). Tingkat dua ekor
signifikansiP, 0,05 digunakan di seluruh. Data disajikan sebagai proporsi, mean6 SD, rata-rata geometrik (kisaran SD), atau,
dalam kasus variabel yang tidak sesuai dengan normal atau log
e
distribusi -Normal (ln), dan median dan kisaran interkuartil (IQR). Semua rasio luas puncak biomarker yang
ln-diubah sebelum analisis. Untuk sampel secara bebas, dua arah perbandingan untuk proporsi dilakukan oleh uji Fisher, untuk
variabel terdistribusi secara normal dengan uji Student t, dan untuk variabel non-terdistribusi normal dengan uji Mann-Whitney
U.
Analisis multivariat logistik regresi (variabel maju bersyarat seleksi dengan P, 0,05 untuk masuk dan P. 0,10 untuk
penghapusan) digunakan untuk menyelidiki in prediktor tergantung dari masing-masing definisi penurunan yang cepat. Semua
variabel klinis yang masuk akal dengan bivariat P # 0,20 dianggap untuk masuk dengan cara yang bijaksana langkah- ke depan.
Setelah model klinis ous paling parsimoni- didefinisikan (model klinis), semua tions concentra- biomarker plasma
dipertimbangkan untuk masuk dengan cara bertahap maju atau (model klinis ditambah Model biomarker 1). Untuk menilai
kinerja nostic prog- dari panel gabungan dari biomarker, biomarker yang signifikan dari masing-masing definisi penurunan cepat
dipaksa menjadi serangkaian model tambahan (model klinis ditambah biomarker model 2). Hanya peserta dengan data yang
lengkap termasuk dalam masing-masing model.
Langkah-langkah model fit, kalibrasi, dakwa dis, dan reklasifikasi digunakan untuk menilai manfaat tambahan biomarker
untuk masing-masing model klinis untuk memprediksi risiko penurunan yang cepat. Model fit ditentukan menggunakan uji rasio
kemungkinan (LRT), dengan nilai x2 yang lebih tinggi menunjukkan fit global yang lebih baik. Model calibra- tion ditentukan
dengan menggunakan Hosmer- Lemeshow uji kebaikan-of-fit, dengan nilai P lebih besar (.0.05) menunjukkan pada persetujuan
yang baik antara hasil yang diamati dan diprediksi. Probabilitas diamati diplotkan terhadap probabilitas diperkirakan lebih desil
dari prediksi (dari Hosmer- Lemeshow tes) untuk masing-masing model untuk menilai kalibrasi. Diskriminasi Model itu sebagai-
sessed oleh area di bawah kurva (AUC) dari karakteristik operasi penerima. The Youden Indeks digunakan untuk menentukan
cutoff optimal untuk sensitivitas maksimum dan spesifisitas di masing-masing model. Ment Improve- di AUC setelah
penambahan penanda bio dihitung menggunakan metode DeLong et al. (21). Validasi internal
care.diabetesjournals.org Peters dan Associates 3
dilakukan dengan menggunakan 1.000 bootstrap sampel ulang untuk menyesuaikan statistik optimisme / overfitting. Optimisme-
dikoreksi AUC, kemiringan kalibrasi, dan mencegat adalah perkiraan yang lebih perkiraan kinerja model dalam sampel eksternal
(22).
Kontinu / kategori bebas net perbaikan reklasifikasi (NRI 0,0) digunakan untuk menilai Model reklasifikasi karena tidak ada
celana risiko didirikan menjamin penggunaan kategoris NRI (23). Keseluruhan NRI menunjukkan proporsi gerakan ke atas dan
ke bawah dalam probabilitas diprediksi ketika biomarker ditambahkan ke model klinis. Absolute terintegrasi dis dakwa perbaikan
(IDI) digunakan untuk menentukan rata-rata peningkatan probabilitas dicted pra bagi mereka yang saham yang turun cepat dan
pengurangan mereka yang tidak decliners cepat setelah penambahan biomarker (24). The eratnya tive IDI (Ridi) dihitung sebagai
rasio IDI atas lereng diskriminasi dari model klinis. NRI dan IDI yang sebagai- sessed secara keseluruhan dan secara terpisah di
saham yang turun cepat (NRI di saham yang turun cepat [NRI
R];
IDI di saham yang turun cepat [IDI
R])
dan dalam saham yang turun nonrapid (NRI di decliners nonrapid [NRI
NR]
; IDI di decliners nonrapid [IDI

NR]).
HASIL
Cohort Karakteristik Karakteristik pasien dari FDS2 subkelompok hadir pada awal penelitian yang summa- disahkan pada Tabel
1. 345 peserta memiliki rata-rata 6 usia SD dari 67,0 69,4 tahun, 51,9% adalah laki-laki, dan mereka median di- durasi abetes
adalah 9,0 tahun (IQR 3.0- 15,2 tahun). Mean eGFR awal adalah 80,6 6 18,8 mL / menit / 1,73 m2, 13,0% memiliki CKD, 33,9%
memiliki mikroalbuminuria, dan 4,1% memiliki macroalbuminuria. Sebagian besar (71,0%) yang menerima pengobatan dengan
RAASis. Selama 4 tahun dicakup oleh subpenelitian ini, rata-rata penurunan tahunan di eGFR adalah 1,7 6 2,5 mL / menit / 1,73
m2. Tidak ada peserta dengan garis basis-eGFR, 15 mL / menit / 1,73 m2.
Cepat Penurunan eGFR lintasan Berdasarkan analisis kelas laten, 35 uals individ- (10,1%) berada di menurun kelompok lintasan
eGFR cepat dengan rata penurunan nual an- di eGFR dari 2,9 mL / menit / 1,73 m2. Sisanya 310 orang (rendah, sedang, dan
lintasan eGFR tinggi) mengalami penurunan rata-rata 1,6 mL / menit / 1,73 m2 / tahun. Dasar karakteristik grafis klinis dan
demografis dalam dua kelompok sub ini ditunjukkan pada Tabel 1. Individu
dengan eGFR lintasan menurun dengan cepat lebih tua; dan memiliki diabetes lebih lama du- ransum dan trigliserida tinggi
serum, asam urat, dan kreatinin konsentrasi; eGFR lebih rendah dan total kolesterol; dan prevalensi yang lebih besar dari jantung
iskemik dis- kemudahan dan penggunaan obat diuretik dibandingkan dengan penurunan nonrapid. Dasar apoA4, apoC3, C1QB,
dan tingkat CFHR2 lebih tinggi pada saham yang turun cepat dibandingkan dengan decliners nonrapid.
Hasil tiga model nostic multivariat prog- (klinis dan klinis ditambah biomarker 1 dan 2) ditunjukkan pada Tabel 2. Dalam
model klinis, penggunaan diuretik, usia yang lebih tua, durasi diabetes lebih lama, dan kadar kolesterol serum HDL yang lebih
rendah secara bebas prediktor penurunan eGFR cepat. Setelah menyesuaikan untuk model klinis yang paling pelit, lebih tinggi
apoA4 dan C1QB tingkat dan tingkat CD5L rendah adalah prediktor independen signif- icant. Durasi diabetes menjadi tor
prediktif tidak signifikan setelah penambahan biomarker. Penambahan biomarker ke clin- ical Model ditingkatkan model fit
(LRT x2 = 19,16, P, 0,001), kalibrasi (Hosmer- Lemeshow uji P = 0,11), diskriminasi (peningkatan AUC 0,75-0,82, P = 0,039),
sensitivitas dan spesifisitas (meningkat dari 82,4% menjadi 88,2% dan dari 63,4% menjadi 68,5%, masing-masing), dan risiko
classifica- tion (Gbr. 1). Sebuah plot kalibrasi ob- yang disajikan probabilitas terhadap probabilitiesoverdecilesofpredictions
diprediksi (dari Hosmer-Lemeshow tes) untuk setiap model menunjukkan kalibrasi diterima dengan data dekat dengan 45 garis
(Tambahan Gambar. 1). AUCs optimisme-mengoreksi dinyalakan adalah 0,73 dan 0,78, masing-masing, untuk model klinis dan
klinis ditambah biomarker (Tabel 2). Tidak ada perbaikan dalam kalibrasi intercept dan slope.
Biomarker ditingkatkan risiko classifi- kasi ketika ditambahkan ke model diksi pra klinis (keseluruhan NRI 0,76 [95% CI
0,63-0,89]). Dari 34 saham yang turun cepat, 24 (70,6%) telah direklasifikasi sebagai berisiko tinggi dan 10 (29,4%) sebagai
risiko rendah (NRI
R
0,41 [0,11-0,72]). Dari 292 saham yang turun nonrapid, 95 (32,5%) telah direklasifikasi untuk risiko yang lebih
tinggi dan 197 (67,5%) dengan risiko yang lebih rendah (NRI
NR
0,35 [0,24-0,46]). Mutlak IDI menunjukkan bahwa ada peningkatan yang signifikan dalam ities probabil-
diperkirakan untuk mereka yang decliners cepat (IDI
R
5,6% [1,5-9,6%]) dan pengurangan mereka yang tidak (IDI
NR
0,7% [20,2-1,5 ]) setelah penambahan biomarker, mengakibatkan keuntungan secara keseluruhan di
prediksi
4 biomarker penurunan ginjal di Tipe 2 diabetes diabetes Care
Tabel 1-baseline karakteristik demografi dan klinis dari 345 peserta dengan diabetes tipe 2 dengan penurunan eGFR cepat
didefinisikan oleh eGFR lintasan
N Semua nonrapid saham yang turun cepat decliners P
Jumlah (%) 345 345 310 (89,9) 35 (10,1) Umur (tahun) 345 67,0 6 9,4 66,6 6 9,3 70,3 6 8,8 0,028 Laki-laki seks (%) 345 51,9
51,6 54,3 0,86 BMI (kg / m2) 345 31,0 6 5,5 31,0 6 5,6 30,7 6 5,1 0,75 lingkar pinggang (cm) 345 102,7 6 13,5 102,5 6 13,7
104,7 6 12,1 0,36 latar belakang etnis (% AC / SE / OE /
Asia / Ab / lainnya) 345 64,9 / 11,0 / 7.0 / 3.2 / 0.3 / 13,6 64,5 / 11,3 / 7,4 / 3,5 / 0,3 / 12,9 68,6 / 8,6 / 2,9 / 0,0 / 0,0 / 20,0 0,64
Usia pada diagnosis diabetes (tahun) 345 57,1 6 10 0,9 57,1 6 11,1 57,2 6 9,5 0,95 durasi Diabetes (tahun) * 345 9.0 [3,0-15,2]
8.2 [3,0-15,0] 13.3 [6,0-19,9] 0,014 Puasa plasma glukosa (mmol / L) 344 7.1 (5,5-9,2 ) 7.1 (5,5-9,1) 7,6 (5,6-10,3) 0,16
HbA1c
(%) 345 7.0 6 1.0 6.9 6 1.0 7.2 6 1.3 0,18
HbA1c
(mmol / mol) 345 53 6 10,9 52 6 11.1 55 6 13,9 0,18 Serum Total kolesterol (mmol / L) 344 4.3 6 1.0 4.3 6 1.0 4.1 6 1.0
0,31 Serum HDL kolesterol (mmol / L) 344 1,28 6 0,31 1,29 6 0,31 1,16 6 0,31 0,020 trigliserida serum (mmol / L) 344 1,5
(0,9-2,3 ) 1,4 (0,9-2,3) 1,7 (1,0-2,8) 0,044 Serum asam urat (mmol / L) 344 0,34 (0,26-0,44) 0,34 (0,26-0,43) 0,38 (0,31-0,47)
0,005 kreatinin serum (mmol / L) 345 75 (56-101) 73 (55-97) 98 (76-127), 0.001 Urinary ACR (mg / mmol) 345 2,9 (0,9-8,8)
2,8 (0,9-8,7) 3,4 (1,1-10,4) 0,35 eGFR (mL / menit / 1,73 m2) 345 80,6 6 18,8 82,9 6 17,4 59,9 6 18,1, 0.001 kategori eGFR (%
G1 / G2 /
G3a / G3B / G4) 345 37,7 / 49,3 / 6,4 / 5,5 / 1,2 40,6 / 50,6 / 3,5 / 3,9 / 1,3 11,4 / 37,1 / 31,4 / 20,0 / 0,0 , 0.001 CKD stadium
(% 0/1/2/3) 57,1 345 / 30,7 / 6.1 / 6.1 60.0 / 30,6 / 4,5 / 4,8 31,4 / 31,4 / 20,0 / 17,1, 0,001 tekanan darah sistolik (mmHg) 345
147 6 20 147 6 20 148 6 24 0.80 tekanan darah diastolik (mmHg) 345 80 6 12 80 6 12 77 6 11 0,08 Neuropati (%) 345 73,6 73,5
74,2 .0.99 PAD (%) 345 17,4 17,1 20,0 0,64 CVD (%) 345 5.5 4.5 14.3 0.033 IHD (%) 345 25,5 24,5 34,3 0,22 konsumsi alkohol
(standar
minuman / hari) * 326 0,1 [0,0-1,5] 0,1 [0,0-1,2] 0,3 [0,0-1,5] 0,47 Status merokok (% tidak pernah / mantan / saat ini) 345
47.2 / 47.0 / 5.8 47.1 / 46.5 / 6.5 48.6 / 51.4 / 0.0 0,36 Setiap aktivitas fisik (%) 341 94,4 95,1 88,6 0,12 pengobatan Diabetes (%)
Diet 345 29,3 30,3 20,0 0,24 OHA 345 49,0 49,0 48,6 1,00 Insulin 6 OHA 345 21.7 20,6 31,4 0,19 obat anti hipertensi (%) 345
79,7 78,4 91,4 0,08
diuretik 345 34,8 32,3 57,1 0,005 ACE-I 345 44,3 43,2 54,3 0,22 ARB 345 33,9 33,2 40,0 0,45 b-blocker 345 22,3 21,9 25,7 0,67
Calcium channel blocker 345 26,1 25,5 31,4 0,43 lain 345 4.3 4.2 5.7 0.66 penurun lipid medicat ion (%) 345 73,9 73,2 80,0 0,54
Aspirin digunakan (%) 344 72,4 43,2 48,6 0,59 biomarker Plasma (peak daerah rasio)
apoA4 345 1,17 (0,57-2,42) 1,12 (0,54-2,30) 1,78 (0,96-3,32), 0,001 apoC3 345 0.86 (0,33-2,28) 0,83 (0,32-2,17) 1,21 (0,43-
3,36) 0,031 CD5L 344 2,37 (1,17-4,79) 2,39 (1,18-4,82) 2,23 (1,08-4,61) 0,59 C1QB 328 0,41 (0,22-0,77) 0,40 (0,22-0,73) 0,53
(0,25-1,12) 0.012 CFHR2 344 0,95 (0,53-1,72) 0,92 (0,52-1,60) 1,35 (0,66-2,78), 0,001 IBP3 335 0,97 (0,58-1,64) 0,96 (0,58-
1,59) 1,08 ( 0,56-2,09) 0,22
saham yang turun cepat didefinisikan oleh lintasan eGFR seperti yang dijelaskan dalam
DESAIN DAN METODE PENELITIAN
bagian. Semua nilai-nilai yang berarti 6SD,
kecuali dinyatakan sebaliknya. Ab, Aborigin; AC, Anglo-Celt; ACE-I, ACE inhibitor; ARB, angiotensin receptor blocker; CVD,
penyakit serebrovaskular; IHD, penyakit jantung iskemik; OE, Eropa lainnya; OHA, agen hipoglikemik oral; PAD, penyakit
arteri perifer; SE, selatan Eropa. * Median [IQR]. Geometric mean (SD range). Kategori eGFR: G1 $ 90; G2 60-89; G3a 45-
59; G3B 30-44; G4 15-29 mL / menit / 1,73 m2. CKD tahap didefinisikan oleh KDIGO 2012 pedoman (39).
kemampuan model (keseluruhan IDI 6,3% [2,1-10,4%]) (Tabel 2). Demikian pula, Ridi menunjukkan perbaikan dibandingkan
dengan model klinis setelah biomarker ditambahkan (Ridi 68,5%).
Biomarker yang signifikan dari masing-masing empat definisi penurunan eGFR cepat (apoA4, C1QB, CD5L, dan IBP3;
melihat be- rendah) digabungkan ke dalam klinis ditambah biomarker model akhir 2. Penambahan IBP3 untuk apoA4, C1QB,
dan CD5L di pra dicting menurun dengan cepat eGFR lintasan yang disediakan KASIH improve- lanjut inkremental dalam
model fit, diskriminasi, dan reklasifikasi (Tabel 2). Selain itu, croalbuminuria Mi- dipaksa semua model prediksi klinis tetapi
gagal untuk memberikan daya prediksi yang signifikan ketika con- sidered baik sebagai variabel kategoris
care.diabetesjournals.org Peters dan Associates 5
Tabel 2-Kinerja prediksi klinis dan klinis ditambah biomarker model penurunan eGFR cepat didefinisikan oleh eGFRlintasan
model Clinical Variable(N = 326)
Clinical ditambah biomarker model 1 (N = 326)
Clinical ditambah biomarker model 2 (N = 316)
diuretik menggunakan 2,41 (1,14-2,08), 0,021 2,59 ( 1,17-5,70), 0,019 2,52 (1,11-5,74), 0,028 Umur (per 10 tahun) 1,67 (1,06-
2,64), 0,027 1,75 (1,08-2,83), 0,022 1,73 (1,04-2,87), 0.034 durasi Diabetes (per 5 tahun ) 1,28 (1,02-1,60), 0,033 1,22 (0,94-
1,57), 0,129 1,19 (0,92-1,56), 0,192 HDL kolesterol (per mmol / L) 0,10 (0,02-0,45), 0,003 0,08 (0,02-0,38), 0,001 0,11 (0,02-
0,51), 0,005 ln (apoA4) * NI 2,40 (1,24-4,61), 0,009 2,93 (1,40-6,16), 0,004 ln (C1QB) * NI 2,41 (1,14-5,11), 0.021 2. 65 (1,19-
5,92), 0,017 ln (CD5L) * NI 0,52 (0,29-0,93), 0,027 0,50 (0,27-0,92), 0,027 ln (IBP3) * NI NI 0.80 (0,37-1,74), 0,573 Kinerja
ukuran LRT uji x2 , P 25,41,, 0.001 44,57,, 0.001 44,13,, 0.001 LRT uji x2, P Referensi 19,16,, 0.001 21,21,, 0.001 HL uji x2, P
6,95, 0,54 13,0, 0,11 6,37, 0,61 Sensitivitas (%) 82,4 88,2 84,4 spesifisitas (%) 63,4 68,5 72,2 nilai prediktif positif (%)
20,8 24,6 25,5 nilai prediktif negatif (%) 96,9 98,0 97,6 AUC (95% CI) 0,75 (0.66-0.84) 0,82 (0.76-0.880,89) AUC, P
Referensi 0,07, 0,039 0,08, 0,023 Optimisme-dikoreksi AUC 0,73 0,78 0,79 Kalibrasi intercept 20,17 20,28 20,34 Kalibrasi
lereng 0,89 0,82 0,79 NRI (0,0) Referensi 0,76 (0,63-0,89) 0,82 (0,68-0,95)
NRI
R
Referensi 0,41 (0,11-0,72) 0,44 (0,13-0,75) NRI
NR
Referensi 0,35 (0,24-0,46) 0,38 (0,27-0,49) Absolute IDI (%) Referensi 6.3 (2,1-10,4)
7,4 (3,1-11,6)
IDI
R
referensi 5,6 (1,5-9,6) 6,6 (2,5-10,8) IDI
NR
Referensi 0,7 (20,2-1,5) 0,8 (20,2-1,7) Ridi (%) Referensi 68,5 64,5
Hanya peserta dengan data yang lengkap termasuk dalam masing-masing model. Model klinis yang paling pelit berasal seperti
yang dijelaskan dalam metode, diikuti oleh masuknya biomarker dengan signifikan prediksi nilai independen (klinis ditambah
biomarker model 1), maka semua biomarker yang signifikan di empat definisi penurunan eGFR cepat dipaksa ke dalam model
klinis (clinical ditambah biomarker model 2). Nilai-nilai yang diberikan sebagai OR (95% CI), P, kecuali dinyatakan lain. AUC,
daerah di bawah kurva; HL, Hosmer-Lemeshow; IDI, indeks diskriminasi terpadu; NI, tidak termasuk. * Perubahan 2,72 kali
lipat dalam rasio daerah puncak rata-rata apoA4, C1QB, CD5L, atau IBP3 sesuai dengan perubahan dari 1 di ln- berubah (apoA4,
C1QB, CD5L, atau IBP3), masing-masing. Berdasarkan cutoff optimal didefinisikan oleh Youden Index. Berdasarkan
validasi internal dengan resampling bootstrap. The kinerja model ini dibandingkan dengan model klinis diterapkan pada 316
individu yang sama.
(ACR $ 3 mg / mmol) atau variabel- terus menerus mampu (data tidak ditampilkan).
Definisi alternatif dari Rapid eGFR Penurunan Ada konsensus terbatas dalam mengukur perkembangan DKD, maka garis dasar-
tics characteris- klinis dan demografis menurut definisi alternatif penurunan eGFR cepat (kejadian CKD, eGFR menurun $ 30%,
dan penurunan tahunan di eGFR $ 5 mL / menit / 1,73 m2) yang com- dikupas (Tabel Tambahan 1-3). Sebuah luka se tambahan
model klinis dan klinis ditambah biomarker dikembangkan, dan kinerja prediksi mereka sebagai- sessed (Tabel Tambahan 4-6).
Selama 4,1 tahun (IQR 3,7-4,4 tahun) offollow-up, CKDdevelopedin37individuals
(12,3%) dengan model klinis identify- ing penyakit jantung iskemik, eGFR awal yang lebih rendah, dan kadar kolesterol total
sebagai inde- pendentpredictors.Afteradjustment, lebih tinggi apoA4 menambahkan signifikan terhadap model klinis (clinical
ditambah biomarker model 1), im- model pembuktian fit, kalibrasi, tion discrimina-, dan reklasifikasi (Tambahan 1 Gambar. dan
Tambahan Tabel 4). Penambahan biomarker C1QB, CD5L, dan IBP3 untuk apoA4 (model klinis ditambah biomarker 2)
menunjukkan provements im- lanjut inkremental dalam model reklasifikasi untuk memprediksi kejadian CKD (Tambahan Tabel
4).
Selama tindak lanjut, ada 30 in dividuals (8,7%) dengan penurunan eGFR dari $ 30% lebih dari 4 tahun. Peserta tersebut
mengalami penurunan rata-rata di eGFR 6,3 vs
6 Biomarker Penurunan ginjal di Tipe 2 Diabetes Diabetes Care
1,3 mL / menit / 1,73 m2 / tahun di 315 perorangan- perorangan dengan, penurunan 30% (P, 0,001). Model klinis untuk
memprediksi titik akhir ginjal ini termasuk jantung iskemik kemudahan dis, penggunaan diuretik, usia yang lebih tua,
peningkatan tekanan darah diastolik, dan se- rum kolesterol total yang lebih rendah. Setelah penyesuaian, lebih tinggi apoA4 dan
tingkat IBP3 lebih rendah menambahkan signifikan terhadap ity abil- prediksi dari model klinis (clinical ditambah bio Model
penanda 1) (Tambahan Gambar. 1 dan Tambahan Tabel 5). Penambahan C1QB dan CD5L untuk apoA4 dan IBP3 (clin- ical
ditambah Model biomarker 2) menunjukkan bulu- ther perbaikan inkremental dalam model reklasifikasi (Tambahan Tabel 5).
Ada penurunan tahunan di eGFR dari $ 5 mL / menit / 1,73 m2 di 28 individu (8,1%), yang diprediksi oleh ence Pres- penyakit
jantung iskemik, peningkatan tekanan darah diastolik, dan peningkatan
HbA1c.
Setelah penyesuaian, tingkat IBP3 lebih rendah menambahkan signifikan terhadap model klinis prediksi (klinis ditambah
bio Model penanda 1) dan peningkatan kinerja model (Tambahan Gambar. 1 dan Tambahan Tabel 6). Penambahan biomarker
apoA4, C1QB, dan CD5L untuk IBP3 (model klinis ditambah biomarker 2) menunjukkan KASIH improve- lanjut inkremental
dalam model fit, diskriminasi, dan reklasifikasi untuk memprediksi eGFR tahunan menurun $ 5 mL / menit / 1,73 m2 (Tambahan
Tabel 6) .
KESIMPULAN Subpenelitian hadir dari longitu- FDS2 observasional dinal telah memperpanjang Data perkembangan awal yang
berkaitan
Gambar penggambaran 1-Graphical dari NRI (A) dan IDI (B) penurunan eGFR cepat didefinisikan oleh eGFR lintasan. NRI Plot
menunjukkan proporsi individu direklasifikasi ke risiko yang lebih tinggi atau lebih rendah berdasarkan status penurunan cepat
setelah penambahan biomarker untuk model klinis. IDI Plot menunjukkan rata probabilitas prediksi decliners cepat dan nonrapid
menurut model klinis (Clin) dan klinis ditambah biomarker (Clin + Bio).
untuk panel novel protein plasma (PromarkerD) (19) mengkonfirmasi bahwa biomarker ini memiliki penggunaan prognostik di
DKD. Empat biomarker, apoA4, CD5L, C1QB, dan IBP3, diprediksi langkah-langkah penurunan cepat dalam eGFR selama 4
tahun follow-up riod pe- pada pasien berbasis masyarakat dengan diabetes tipe 2. Penggunaan prognostik mereka adalah
independen dari variabel klinis konvensional, dan mereka menambahkan nilai dictive pra signifikan sebagaimana dinilai dari
indeks model fit, kalibrasi, diskriminasi, dan reklasifikasi.
Data yang diterbitkan lainnya mendukung panel PromarkerD sebagai DKD prognostik dex in. Ada asosiasi dilaporkan antara
usia yang lebih tinggi tingkat sirkulasi apoA4 dan gangguan ginjal pada individu dengan- keluar diabetes (25,26), dan ada bukti
untuk peningkatan ekskresi apoA4 ginjal pada individu dengan nefropati diabetik (27). Tingkat apoA4 Dibesarkan merupakan
penanda awal ringan sampai sedang DKD (25), memprediksi perkembangan CKD pada pasien direkrut dari klinik rawat jalan
ginjal (28), dan sangat terkait dengan CKD inde- secara independen dari faktor risiko yang diketahui pada populasi umum (26) .
C1QB adalah depos- ited di ginjal di C1q nefropati menyebabkan kerusakan ginjal melalui respon inflamasi dan kekebalan tubuh,
yang secara konsisten tenda dengan data dari ing meningkat secara signifikan tingkat C1QB model tikus acara-pada ginjal dari
diabetes dibandingkan hewan kontrol (29) . CD5L atau apoptosis inhibitor protein makrofag yang terlibat dalam respon imun dan
inflamasi. Plasma CD5L biasanya hadir dalam konsentrasi tinggi melalui interaksi dengan IgM
(30). Dalam cedera ginjal akut pada tikus, CD5L berdisosiasi dari IgM dan diekskresikan dalam urin, dengan pemulihan dari
cedera ginjal akut mungkin setelah CD5L berinteraksi dengan cedera ginjal molekul 1 (31). Dalam studi saat ini, tingkat sirkulasi
yang lebih rendah dari CD5L diamati pada pasien dengan fungsi ginjal menurun dengan cepat, nyarankan- gesting baik
meningkat tion ginjal excre- atau sebaliknya, cacat dalam CD5L atau IgM ekspresi.
Satu biomarker yang pra mengirim data muncul konsisten dengan literatur yang diterbitkan adalah IBP3, regulator insulin-like
growth factor 1 yang telah terlibat dalam pengembangan nefropati diabetik. Dalam studi saat ini, menurunkan tingkat sirkulasi
IBP3 diamati pada peserta dengan penurunan eGFR dari $ 30% atau $ 5 mL / menit / 1,73 m2 / tahun kontras yang jelas untuk
studi sebelumnya (32) yang menunjukkan hubungan antara peningkatan tingkat IBP3 dengan rendah dasar eGFR pada individu
dengan diabetes tipe 2. Namun, dalam penelitian terakhir ini, pengurangan eGFR rata-rata lebih dari 7 tahun hanya 2 mL / menit /
1,73 m2, tidak ada penurunan ginjal yang cepat sub kelompok, dan ada asosiasi be- tingkat tween IBP3 dan tren eGFR
longitudinal. There were also differences in pa- tient characteristics (our participants were older and had a higher baseline eGFR,
and more were female and were receiving treatment with RAASis at base- line) and study design (including the method of eGFR
calculation) compared with the current study. It is possible that the lower levels of IBP3 observed in the current study are due to
increased renal excretion via already damaged glomeruli or increased serum proteolysis (33).
 A range of other potential biomarkers have been studied in the context of DKD (6). The current study aligns with recent
studies describing the prognostic utility of tumor necrosis factor receptor (TNFR) 1 and TNFR2 (9,12,34,35). Our biomarker
panel provided a similar discriminative ability (sensitivities of 8394% and speci- ficities of 7280% for clinical plus bio- marker
model 2) to published data on TNFR1/TNFR2 for predicting renal decline (sensitivities of 6872% and specificities of 8186%)
(36). In another of the TNFR1/ TNFR2 studies (9), patients were classified by quartiles of biomarker concentration. Adopting
this approach showed that most rapid decliners in the current study were in the highest apoA4/C1QB quartile or the lowest
CD5L/IBP3 quartile (data
not shown), but these results should be interpreted with caution because of small cell numbers. A recent study of 1,135 par-
ticipants with type 2 diabetes with base- line renal function similar to those in the current study (12) showed that plasma
adrenomedullin, TNFR1, and N-terminal pro B-type natriuretic peptide were asso- ciated with rapid eGFR decline, indepen- dent
of established risk factors, and that they significantly increased the receiver operating characteristic AUC (AUC = 0.0270.054,
P , 0.0001). We found a similar significant increase in AUC after the addition of the biomarkers to the clin- ical prediction model
for eGFR trajectory (Table 2) (AUC = 0.07, P = 0.039). We did not detect TNFR1, TNFR2, N-terminal pro B-type natriuretic
peptide, or adrenome- dullin during the earlier discovery phase of our study since these proteins were below the limit of detection
in the mass spectrometry methodology used (19). A number of other studies have described additional biomarkers that may
improve prediction of renal function decline in diabetes beyond traditional risk factors, but most were small or involved only in-
dividuals with impaired renal function at study entry (11,34,35,37).
A key finding in the current study was that the biomarkers predicted rapid eGFR decline even after adjustment for conven-
tional indices of nephropathy (eGFR and ACR) as well as other known clinical predictors (sex, hypertension, HbA
1c
, smoking, lipids, BMI, and RAASi use). The observation that microalbuminuria did not enter any of our prediction mod- els
supports other studies that found TNFR1/TNFR2 predicted ESRD irrespec- tive of albuminuria (9), although there is evidence
that microalbuminuria occurs after the decline in eGFR has already started in individuals with type 2 diabetes (38). Therefore, the
identification of indi- viduals with type 2 diabetes who are at risk for future renal decline should not be limited to the assessment
of albuminuria. The major strengths of the current study are its longitudinal community- based design and the detailed
phenotypic characterization of the cohort. It is the largest study to have used a targeted MRM approach for biomarker detection
and validation. The current platform al- lows multiple proteins to be analyzed without an increase in cost even if a for- mal cost-
benefit analysis is yet to be con- ducted. Recent improvements in the field
care.diabetesjournals.org Peters and Associates 7
show that the MRM approach has in- creased sensitivity compared with tradi- tional antibody-based assays (19). The limitations
of the current study include a relatively small sample size in the case of participants with rapid renal decline. In ad- dition, the
findings require external valida- tion. Internal validation was performed by bootstrap resampling of 1,000 replicates that provided
an estimate of external model performance (22), which supports further assessment of PromarkerD in other cohorts. The
prediction models pre- sented in this study were developed in people of mostly white origin (;80%), and whether the findings can
be general- ized to other ethnicities and to subjects with prediabetes or type 1 diabetes is as yet unknown. Nevertheless, the
predic- tion models were adjusted for a large range of known risk factors to address confounding with the same result.
In conclusion, the current study has identified four plasma protein biomarkers (apoA4, CD5L, C1QB, and IBP3) that predict a
rapid decline in eGFR in patients with type 2 diabetes independent of other clinical predictors including eGFR and ACR. The
panel may be useful for risk stratification in future clinical trials, would enable earlier intervention of at-
riskindividualsandmonitoringofdisease progression,andwouldallowimprovement in patient outcomes. Further analysis of these
biomarkers via the PromarkerD test in diabetes and more generally in CKD is warranted.
Ucapan Terima Kasih. The authors thank FDS2 participants for their involvement and FDS2 staff for help with collecting and
recording clinical information. The authors also thank the staff at ProteomicsInternational,whoperformedallofthe biomarker
assays. Pendanaan. The MS analyses were performed in facilities provided by the Lotterywest State Biomedical Facility-
Proteomics node and Bioplat- forms Australia at the Harry Perkins Institute for Medical Research. Partial funding for the proteo-
mics analysis was provided by the Federal Gov- ernment of Australia under a Commercialization Australia grant (CAU05922).
FDS2 has been sup- ported by the National Health and Medical Re- search Council of Australia project grants 513781 and
1042231. TMED is supported by a National Health and Medical Research Council of Australia Practitioner Fellowship
(1058260). Duality of Interest. Proteomics International and the University of Western Australia are own- ers of patent
PCT/AU2011/001212, which relates to the biomarkers described in this manuscript (20), that KEP, WAD, KW, TS, SDB, RJL,
and TMED are named inventors of. No other
potential conflicts of interest relevant to this arti- cle were reported. Author Contributions. KEP collected data, performed the
statistical analyses and wrote themanuscript.WADperformedthestatistical analyses.JIperformedMRMmethoddevelopment and
analysis on the FDS cohort. KW carried out iTRAQ and MRM experiments and sample process- ing. TS designed and performed
iTRAQ and MRM experimentsinthediscoveryphase.SDBandR.JL were involved in experimental design, data analysis, and
interpretation. TMED is the principal inves- tigator of the FDS, provided the FDS cohort plasma samples, wrote the manuscript,
and was re- sponsible for clinical interpretation. All authors reviewed and edited the manuscript. KEP is the guarantor of this
work and, as such, had full access to all the data in the study and takes responsibility for the integrity of the data and the accuracy
of the data analysis. Prior Presentation. Parts of this work were presented in abstract form at the 11th Australian Peptide
Conference, Kingscliff, New South Wales, Australia, 2530 October 2015; the World Diabe- tes Congress 2015, 30 November to
4 December 2015, Vancouver, British Columbia, Canada; the Australian Diabetes Society-Australian Di- abetes Educators
Association Annual Scien- tific Meeting 2016, Gold Coast, Queensland, Australia, 2426 August 2016; International BioFest
2016, 2427 October 2016, Melbourne, Victoria, Australia; the International Conference on Functional & Interaction Proteomics:
Applica- tion in Food & Health, 1417 December 2016, New Delhi, India; and the 77th Scientific Sessions of the American
Diabetes Association, San Diego, CA, 913 June 2017.
References 1. United States Renal Data System 2015 annual data report [article online], 2015. Available from
https://www.usrds.org/2015/view/. Accessed March 2017 2. National diabetes statistics report: estimates of diabetes and its
burden in the United States [article online], 2014. Available from https://www .cdc.gov/diabetes/pubs/pdf/kidney_factsheet .pdf.
Accessed March 2017 3. Naresh CN, Hayen A, Weening A, Craig JC, Chadban SJ. Day-to-day variability in spot urine albumin-
creatinine ratio. Am J Kidney Dis 2013; 62:10951101 4. Mottl AK, Kwon KS, Mauer M, Mayer-Davis EJ, Hogan SL,
Kshirsagar AV. Normoalbuminuric dia- betic kidney disease in the US population. J Diabetes Complications 2013;27:123127 5.
Dunkler D, Gao P, Lee SF, et al.; ONTARGET and ORIGIN Investigators. Risk prediction for early ckd in type 2 diabetes. Clin J
Am Soc Nephrol 2015;10: 13711379 6. Lin CH, Chang YC, Chuang LM. Early detection of diabetic kidney disease: present
limitations and future perspectives. World J Diabetes 2016;7: 290301 7. Bjornstad P, Cherney DZ, Maahs DM, Nadeau KJ.
Diabetic kidney disease in adolescents with type 2 diabetes: new insights and potential ther- apies. Curr Diab Rep 2016;16:11 8.
Looker HC, Colombo M, Hess S, et al.; SUMMIT Investigators. Biomarkers of rapid chronic kidney disease progression in type
2 diabetes. Kidney Int 2015;88:888896
8 Biomarkers of Renal Decline in Type 2 Diabetes Diabetes Care
9. Niewczas MA, Gohda T, Skupien J, et al. Circu- lating TNF receptors 1 and 2 predict ESRD in type 2 diabetes. J Am Soc
Nephrol 2012;23:507515 10. Pena MJ, Lambers Heerspink HJ, Hellemons ME, et al. Urine and plasma metabolites predict the
development of diabetic nephropathy in indi- viduals with Type 2 diabetes mellitus. Diabet Med 2014;31:11381147 11.
Agarwal R, Duffin KL, Laska DA, Voelker JR, Breyer MD, Mitchell PG. A prospective study of multiple protein biomarkers to
predict progres- sion in diabetic chronic kidney disease. Nephrol Dial Transplant 2014;29:22932302 12. Saulnier PJ, Gand E,
Velho G, et al.; SURDIAGENE Study Group. Association of circulat- ing biomarkers (adrenomedullin, TNFR1, and NT-
proBNP) with renal function decline in patients with type 2 diabetes: a French prospective cohort. Diabetes Care 2017;40:367
374 13. Levey AS, Inker LA, Matsushita K, et al. GFR decline as an end point for clinical trials in CKD: a scientific workshop
sponsored by the National Kidney Foundation and the US Food and Drug Administration. Am J Kidney Dis 2014;64:821835
14. Kidney Disease: Improving Global Outcomes Chronic Kidney Disease Guideline Development Work Group Members.
KDIGO 2012 clinical prac- tice guideline for the evaluation and management of chronic kidney disease. Kidney Int Suppl 2013;
3:1150 15. Davis TM, Chubb SA, Davis WA. The relation- ship between estimated glomerular filtration rate trajectory and all-
cause mortality in type 2 diabetes: the Fremantle Diabetes Study. Eur J Endocrinol 2016;175:273285 16. Ragot S, Saulnier PJ,
Velho G, et al.; SURDIAGENE and DIABHYCAR Study groups. Dy- namic changes in renal function are associated with major
cardiovascular events in patients with type2diabetes.DiabetesCare2016;39:12591266 17. Davis TM, Bruce DG, Davis WA.
Cohort pro- file: the Fremantle Diabetes Study. Int J Epidemiol 2013;42:412421 18. Levey AS, Stevens LA, Schmid CH, et al.;
CKD- EPI (Chronic Kidney Disease Epidemiology
Collaboration). A new equation to estimate glo- merular filtration rate. Ann Intern Med 2009;150: 604612 19. Bringans SD, Ito
J, Stoll T, et al. Comprehen- sive mass spectrometry based biomarker discovery and validation platform as applied to diabetic
kid- ney disease. EuPA Open Proteom 2017;14:110 20. Stoll T, Bringans S, Winfield K, et al. Method of assessing diabetic
nephropathy using CD5 antigen-like. US patent 9146243 B2. 29 Septem- ber 2015 21. DeLong ER, DeLong DM, Clarke-Pearson
DL. Comparing the areas under two or more corre- lated receiver operating characteristic curves: a nonparametric approach.
Biometrics 1988;44: 837845 22. Moons KG, Kengne AP, Woodward M, et al. Risk prediction models: I. Development, internal
validation, and assessing the incremental value of a new (bio)marker. Heart 2012;98:683690 23. Pencina MJ, D'Agostino RB
Sr, Steyerberg EW. Extensions of net reclassification improve- ment calculations to measure usefulness of new biomarkers. Stat
Med 2011;30:1121 24. Pickering JW, Endre ZH. New metrics for as- sessing diagnostic potential of candidate bio- markers.
Clin J Am Soc Nephrol 2012;7:13551364 25. Kronenberg F, Kuen E, Ritz E, et al. Apolipo- protein A-IV serum concentrations
are elevated in patients with mild and moderate renal failure. J Am Soc Nephrol 2002;13:461469 26. Stangl S, Kollerits B,
Lamina C, et al. Asso- ciation between apolipoprotein A-IV concentra- tions and chronic kidney disease in two large population-
based cohorts: results from the KORA studies. J Intern Med 2015;278:410423 27. Guo Z, Liu X, Li M, et al. Differential
urinary glycoproteome analysis of type 2 diabetic ne- phropathy using 2D-LC-MS/MS and iTRAQ quan- tification. J Transl Med
2015;13:371 28. Boes E, Fliser D, Ritz E, et al.; MMKD Study Group. Apolipoprotein A-IV predicts progression of chronic
kidney disease: the mild to moderate kidney disease study. J Am Soc Nephrol 2006;17: 528536
29. Kelly KJ, Liu Y, Zhang J, Dominguez JH. Renal C3 complement component: feed forward to dia- betic kidney disease. Am J
Nephrol 2015;41:4856 30. Sanjurjo L, Aran G, Roher N, Valledor AF, Sarrias MR. AIM/CD5L: a key protein in the control of
immune homeostasis and inflammatory dis- ease. J Leukoc Biol 2015;98:173184 31. Arai S, Kitada K, Yamazaki T, et al.
Apoptosis inhibitor of macrophage protein enhances intra- luminal debris clearance and ameliorates acute kidney injury in mice.
Nat Med 2016;22:183193 32. Narayanan RP, Fu B, Heald AH, et al. IGFBP2 is a biomarker for predicting longitudinal deterio-
ration in renal function in type 2 diabetes. Endocr Connect 2012;1:95102 33. Frystyk J, Ivarsen P, Skjaerbaek C, Flyvbjerg A,
Pedersen EB, Orskov H. Serum-free insulin-like growth factor I correlates with clearance in pa- tients with chronic renal failure.
Kidney Int 1999;56:20762084 34. Pena MJ, Heinzel A, Heinze G, et al. A panel of novel biomarkers representing different
disease pathways improves prediction of renal function de- clineintype2diabetes.PLoSOne2015;10:e0120995 35. Pena MJ,
Jankowski J, Heinze G, et al. Plasma proteomics classifiers improve risk prediction for renal disease in patients with hypertension
or type 2 diabetes. J Hypertens 2015;33:21232132 36. Yamanouchi M, Skupien J, Niewczas MA, et al. Improved clinical trial
enrollment criterion to identify patients with diabetes at risk of end- stage 37. Carlsson renal disease. AC,
Ostgren
Kidney Int 2017;92:258266
CJ, Lnne T, Larsson A, Nystrom FH,
Arnl ovJ.Theassociationbetweenendo- statin and kidney disease and mortality in patients with type 2 diabetes. Diabetes Metab
2016;42:351357 38. Viazzi F, Piscitelli P, Giorda C, et al.; AMD- Annals Study Group. Association of kidney disease measures
with risk of renal function worsening in patients with hypertension and type 2 diabetes. J Diabetes Complications 2017;31:419
426 39. Levey AS, de Jong PE, Coresh J, et al. The definition, classification, and prognosis of chronic kidney disease: a KDIGO
Controversies Confer- ence report. Kidney Int 2011;80:1728