這項研究探討了在腎衰竭風險方程式（KFRE）中加入生物標記物變化（如eGFR和蛋白尿），是否能提升對eGFR <30 ml/min/1.73 m²患者的透析依賴性預測準確性。研究分析了4,499名成人的數據，發現422名患者最終需要透析。結果顯示，加入生物標記物變化後，KFRE的預測準確性顯著提升，C統計量從0.862增至0.921，淨重新分類指數（NRI）為0.773，顯示這樣的改進能幫助醫生更好地識別高風險患者並改善管理。 PubMed DOI

這項研究開發了一個動態貝葉斯模型，旨在預測腎臟移植受者的長期存活率及移植物存活率，透過分析腎小管過濾率（eGFR）的變化。研究資料來自1980至2017年間的14,915名成年腎臟移植受者。結果顯示，eGFR的下降與移植物喪失及死亡風險增加有顯著關聯。該模型在預測移植物5年內的喪失時，推導隊列的AUC值為0.83，驗證隊列為0.81，顯示出良好的預測性能，能幫助識別高風險患者，改善早期介入策略。 PubMed DOI

預後模型在腎臟移植的臨床試驗和病人管理中越來越重要。本研究分析了來自10個國家的11,046名腎臟移植受者的數據，評估競爭風險模型與非競爭風險模型的表現。研究發現，兩者在預測長期移植物失敗方面的有效性相似，顯示模型選擇對預測結果影響不大。雖然大部分子群體表現良好，但某些高風險群體使用競爭風險方法的校準較佳。整體而言，這些模型在臨床應用中均具參考價值。 PubMed DOI

這項研究探討腎臟移植時的心血管風險評分與受者長期結果的關聯，納入4,682名韓國腎臟移植受者。結果顯示，較高的Framingham風險評分與死亡率及重大心血管事件增加有關，且顯著提高死亡風險（HR 3.20）及心血管事件風險（HR 8.43）。低風險評分的受者腎功能較佳，但該評分無法預測移植物損失或腎功能快速下降。總之，Framingham風險評分對腎臟移植受者的心血管事件、死亡率及腎功能預測具價值。 PubMed DOI

這項研究探討影響小兒腎臟移植存活的因素，並運用機器學習技術分析1994至2021年間465名小兒患者的數據。研究發現，56.7%的患者為男性，平均年齡12.08歲，73.1%的移植來自活體捐贈者。機器學習模型顯示，抗體介導的排斥反應及腎小管過濾率等因素對移植物存活影響重大。邏輯回歸和SVM模型的準確率高達96.5%。結論指出，機器學習可助於識別關鍵因素，未來可改善小兒腎臟移植的結果。 PubMed DOI

這項研究探討邊際品質腎臟移植的使用情況，並評估一個新提議的評分系統，涵蓋延遲移植物功能（DGF）、腎功能恢復（RFR）及移植後90天的腎小管過濾率（GFR）。分析了221名腦死亡捐贈者和223名接受者的數據。主要發現顯示，經歷DGF的接受者，移植物喪失風險顯著增加，而90天GFR低於30 ml/min/1.73m²的接受者也面臨較高的失敗風險。然而，研究指出這些因素的組合無法有效預測短期的病人和移植物存活率。 PubMed DOI

這項研究利用兩家醫院數據開發預測模型，可預測透析患者全因死亡率。模型識別了9個關鍵因素，包括年齡、BMI、疾病史等，表現良好。該模型提供臨床評估透析患者死亡風險的價值。 PubMed DOI

研究在西班牙醫院驗證KFRE和Grams模型，可準確預測CKD G4+患者的腎衰竭風險，Grams模型也可預測腎衰竭前死亡風險。在南歐CKD G4+患者中，這兩個模型均準確估計腎衰竭風險，Grams模型提供可靠的腎衰竭前死亡風險估計。 PubMed DOI

研究為ADPKD患者開發預測工具，考慮多項因素，提高腎功能存活預測準確性，有助於個性化治療。 PubMed DOI

研究目的是評估NGAL和CPT對預測腎移植長期存活的效用。結果顯示，血漿NGAL最能準確預測5年內器官損失。損失器官的患者pNGAL較高。pNGAL是獨立預測器官損失的因子，但與eGFR相比，其價值仍需更大樣本確認。未來需擴大研究範圍以驗證結果。 PubMed DOI

研究442位接受腎移植的IgA腎病患者，結果顯示18.8%在移植後出現IgAN復發。年齡、性別、再移植狀況等因素影響復發，而年齡、蛋白尿和C4d陽性則影響移植物損失。預測模型準確，可幫助辨識IgAN復發可能導致移植物損失風險的腎移植患者。 PubMed DOI