The promise and reality of machine-learning models in kidney transplantation.
腎移植中機器學習模型的應用前景與現實。 Kidney Int 2023-05-04

Truchot等人的研究發現，傳統的Cox比例風險模型在預測腎移植的移植物存活率方面表現得和機器學習模型一樣好，甚至更好。 PubMed DOI

A novel risk score for predicting prolonged length of stay following pediatric kidney transplant.
預測兒童腎移植後住院時間延長的新風險評分。 Pediatr Nephrol 2023-11-07

腎移植是治療小孩腎衰竭的首選方法，但手術可能具有挑戰性，導致長期住院。我們分析了兒童腎移植接受者的數據，以確定與較長住院時間相關的因素。診斷、移植前進行透析、地理區域和接受者體重等因素與較長住院時間有關。基於這些因素的風險評分可以幫助預測住院時間延長並指導患者護理。 PubMed DOI

More than four decades of graft survival in pediatric kidney transplant recipients.
小兒腎移植接受者四十年以上的移植存活。 Pediatr Nephrol 2024-01-11

研究發現明尼蘇達大學70至79年間小朋友接受腎移植手術後，有10人的移植器官存活超過40年。他們多為白人，患不同腎臟疾病，大部分腎臟來自活捐贈者。腎功能相對穩定，但有些人出現高血壓、血脂異常、糖尿病和癌症等問題。長期接受移植者應定期接受癌症篩檢。 PubMed DOI

Predicting pediatric cardiac surgery-associated acute kidney injury using machine learning.
利用機器學習預測兒童心臟外科手術相關的急性腎損傷。 Pediatr Nephrol 2024-02-28

研究開發了機器學習模型，可預測兒童心臟手術後可能出現中至重度急性腎損傷。模型利用病人數據預測手術後第2天的腎損傷情況，表現優異。重要預測因子包括術前肌酐值和手術時間。研究顯示機器學習可改善結果，指導臨床決策，對兒童心臟手術有潛在幫助。 PubMed DOI

Time-Varying Determinants of Graft Failure in Pediatric Kidney Transplantation in Europe.
歐洲兒童腎移植中移植物失敗的時間變化決定因素。 Clin J Am Soc Nephrol 2024-03-19

1990年至2020年的小兒腎移植研究指出，活體捐贈者的手術成功率高於死亡捐贈者。手術失敗風險因素隨時間變化，受者年齡、捐者年齡和透析次數影響結果。活體捐贈者可長期降低失敗風險，青少年前5年風險較高。研究建議考慮捐贈者和受者年齡對結果影響。 PubMed DOI

Predicting wait time for pediatric kidney transplant: a novel index.
預測小兒腎移植等待時間：一個新穎指標。 Pediatr Nephrol 2024-01-12

研究預測小兒腎移植候選人接受移植的可能性，分析3757名候選人數據，建立預測指標，可幫助臨床醫生管理患者等待時間，促進更多活體捐贈。 PubMed DOI

Better kidney allograft survival despite higher-risk donor and recipient characteristics between 1995-2014.
1995年至2014年間，儘管捐贈者和接受者特徵較高風險，腎移植的存活率更好。 Nephrol Dial Transplant 2024-04-04

腎移植手術和治療進步提高了短期存活率。研究顯示，1995-2014年澳紐腎移植數據改善了長期結果，5年和10年的移植失敗率下降，中長期存活率提高。排斥反應、血管原因、死亡和腎小球疾病導致的失敗也減少。 PubMed DOI

First experiences with machine learning predictions of accelerated declining eGFR slope of living kidney donors 3 years after donation.
活體腎臟捐贈者捐贈後3年加速性eGFR下降斜率的機器學習預測初步經驗。 J Nephrol 2024-06-05

在捐贈前，活腎捐贈者需接受篩檢評估腎臟疾病風險。研究利用機器學習預測238名捐贈者腎功能下降情況，分為腎功能平均下降和加速下降兩組。經過特徵選擇和重新訓練，隨機森林和極端梯度提升模型表現改善。吸煙和腎小球炎特徵具預測性。重點在於特徵質量比數量更重要。 PubMed DOI

Prediction of post-donation renal function using machine learning techniques and conventional regression models in living kidney donors.
使用機器學習技術和傳統回歸模型預測活體腎臟捐贈者的捐贈後腎功能。 J Nephrol 2024-07-29

這項研究利用機器學習技術，為活體腎臟捐贈者的捐贈後腎功能建立預測模型。研究對象為2009至2020年間的823名捐贈者，目的是準確預測腎切除術後一年內的腎小管過濾率（eGFR）。結果顯示，捐贈前的eGFR平均為101.3 mL/min/1.73 m²，捐贈後下降至68.8 mL/min/1.73 m²。XGBoost模型表現最佳，開發的網頁應用程式「腎臟捐贈與腎臟智慧」（KDN）可供醫療提供者使用，提升活體腎臟捐贈的效率。 PubMed DOI

Effect of perioperative management on early graft function in living donor paediatric kidney transplantation.
活體捐贈兒童腎臟移植中圍手術管理對早期移植物功能的影響。 Pediatr Nephrol 2024-09-19

這項研究探討圍手術期管理對兒童活體捐贈腎臟移植早期功能的影響，分析了2009至2021年間在澳洲新南威爾士州的39名患者數據。結果顯示，患者中位年齡為6歲，移植前的腎小管過濾率為7 mL/min/1.73 m²。儘管在手術後的液體和血流動力學管理達標，研究發現這些因素與移植後第一個月的腎功能（以eGFR衡量）並無顯著關聯，顯示圍手術期管理雖重要，但不一定直接影響早期移植物結果。 PubMed DOI

原始文章

站上相關主題文章列表