Deep Learning-Based Model Significantly Improves Diagnostic Performance for Assessing Renal Histopathology in Lupus Glomerulonephritis.
深度學習模型顯著提升對狼瘡性腎小球腎炎腎組織病理評估的診斷表現。 Kidney Dis (Basel) 2022-09-28

評估腎小球病變對確診腎小球腎炎和評估腎臟疾病至關重要。新模型MRPS利用深度學習技術分析腎臟組織影像，準確進行分割和特徵提取。此模型可辨識重要預測因子、進行評分，且在區分不同疾病嚴重程度方面表現卓越。MRPS提供量化且可重複的方式評估腎臟疾病，尤其對狼瘡性腎炎的診斷和預後評估有幫助。 PubMed DOI

Prognostic prediction of idiopathic membranous nephropathy using interpretable machine learning.
可解釋的機器學習在預測特發性膜性腎病的預後中的應用。 Ren Fail 2023-10-27

透過電子病歷開發了一個機器學習模型，可以預測特發性膜性腎病（IMN）的預後。使用418名IMN患者的數據，建立了五種機器學習算法的預測模型，其中以梯度提升機（LightGBM）模型表現最佳，準確度高。同時，也找出了影響IMN預後的重要風險因素，例如抗磷脂酶A2受體水平和免疫球蛋白G4水平。這個模型有助於個別化管理IMN患者。 PubMed DOI

A nomogram prediction model for treatment failure in primary membranous nephropathy.
原發性膜性腎病治療失敗的預測模型圖。 Ren Fail 2023-10-10

研究目的是為了幫助原發性膜性腎病（PMN）患者預測治療效果。他們分析了310位PMN患者的資料，發現PLA2R抗體、炎症細胞及C3沉積是治療失敗的主要風險。預測模型能一定程度預測風險，有助於辨識高風險患者，但仍需進一步改進。 PubMed DOI

Development of a novel combined nomogram model integrating deep learning radiomics to diagnose IgA nephropathy clinically.
結合深度學習放射組織學的新型綜合評分模型發展，用於臨床診斷IgA腎病。 Ren Fail 2023-11-13

研究開發了一個結合超級微血管成像（SMI）、深度學習、放射組織學特徵和臨床因素的預測模型，可以區分免疫球蛋白A腎病（IgAN）和非IgAN。經驗證後，發現此模型在準確區分兩種情況上表現優異。這個結合式預測模型可協助醫生為腎病患者制定更明確的治療方針。 PubMed DOI

Machine learning-based 2-year risk prediction tool in immunoglobulin A nephropathy.
免疫球蛋白A腎病的機器學習基礎2年風險預測工具。 Kidney Res Clin Pract 2023-11-03

研究開發了機器學習模型，可預測IgAN患者兩年內快速惡化的風險。模型準確預測腎功能下降或末期腎病，以及蛋白尿改善。分析指出基線蛋白尿是重要特徵。預測風險越高，預後越差。總而言之，這個模型在預測IgAN進展和長期腎臟結果上表現可靠。 PubMed DOI

Development of a multiple convolutional neural network-facilitated diagnostic screening program for immunofluorescence images of IgA nephropathy and idiopathic membranous nephropathy.
發展多卷積神經網路輔助診斷篩檢程式，用於IgA腎病和特發性膜性腎病的免疫螢光影像。 Clin Kidney J 2023-12-05

開發了一個利用CNNs的診斷程式，可協助免疫螢光（IF）檢測IgA腎病（IgAN）和特發性膜性腎病變（IMN）。這個程式在診斷上表現準確、敏感、特異，比腎病理學家更優。在不同醫院的影像測試中穩定表現，勝過經驗不足的醫師。這個程式可能成為協助診斷IgAN和IMN的寶貴工具。 PubMed DOI

Optimization of Rituximab Therapy in Adult Patients With PLA2R1-Associated Membranous Nephropathy With Artificial Intelligence.
成人 PLA2R1相關性膜性腎病患者利用人工智慧優化利妥珠單抗治療。 Kidney Int Rep 2024-02-06

開發了一個機器學習演算法，用來預測膜性腎病患者靜脈注射利妥昔單抗時的低劑量風險。該演算法考慮了年齡、性別、體表面積、抗體水平和腎功能等因素。高風險的患者需要較高劑量的利妥昔單抗，並需要更長的時間才能達到緩解。在高風險患者中早期加強治療可能會改善結果。 PubMed DOI

Interpretable machine learning model integrating clinical and elastosonographic features to detect renal fibrosis in Asian patients with chronic kidney disease.
整合臨床和彈性超聲特徵的可解釋機器學習模型，用於檢測亞洲慢性腎臟病患者的腎纖維化。 J Nephrol 2024-02-05

利用機器學習演算法分析CKD患者的腎臟纖維化程度，XGBoost模型表現優異，AUC達0.97。SHAP方法有助於解釋模型輸出，顯示腎小球過濾率對預測影響最大。這有助於臨床醫生制定CKD患者的治療策略。 PubMed DOI

Machine learning model and nomogram to predict the risk of heart failure hospitalization in peritoneal dialysis patients.
機器學習模型和等高線圖用於預測腹膜透析患者心臟衰竭住院風險。 Ren Fail 2024-03-20

研究利用機器學習預測腹膜透析患者風險，發現隨機森林和XGBoost是最佳模型。腎臟疾病、血壓、年齡與心臟衰竭相關，年齡、膽固醇、腎功能與死亡風險相關。機器學習優於Cox回歸，可提供臨床參考。 PubMed DOI

Predicting renal damage in children with IgA vasculitis by machine learning.
透過機器學習預測兒童IgA血管炎的腎損傷。 Pediatr Nephrol 2024-06-25

研究開發了機器學習模型，可預測兒童IgA血管炎的腎損傷風險，並找出風險因素。使用217名患者數據訓練6種算法，隨機森林表現最佳。確定了11個影響風險的特徵，並驗證了簡化模型。該模型準確預測腎損傷，提供臨床網絡工具。研究程式碼在GitHub公開。 PubMed DOI

原始文章

站上相關主題文章列表