原始文章

免疫球蛋白A腎病(IgAN)是末期腎病的重要原因。研究人員分析了來自韓國九家醫院的4,425名IgAN患者數據,開發了幾個基於機器學習的預測模型,以預測末期腎病或腎小球過濾率。這些模型的表現透過曲線下面積(AUC)評估,並與國際IgA腎病預測工具(IIgAN-PT)比較。結果顯示,IIgAN-PT在預測5年結果方面表現優異,AUC達0.896,而基於機器學習的模型AUC範圍為0.823到0.847,雖然有效,但未超越IIgAN-PT的預測能力。 PubMed DOI


站上相關主題文章列表

國際免疫球蛋白A腎病(IgAN)網絡為IgAN創建了兩個預後預測模型,其中一個包含種族參數,用於預測IgAN診斷後腎功能下降的風險或進展至末期腎臟疾病。這項研究在185名IgAN患者的中國群體中驗證了這些模型,結果顯示模型在預測疾病進展方面表現良好。 PubMed DOI

研究利用長期數據開發了IMV-LSTM深度學習模型,可預測IgA腎病患者的腎臟結果。結果顯示,此模型在預測腎衰竭或腎功能下降方面表現優異,比先前模型更準確。模型分析發現,時間變量在預測中更重要,近期測量權重較大。軌跡分析顯示,某些變量(如血清肌酸酐和尿蛋白)與不良結果風險較高相關。這個動態深度學習模型可準確預測IgA腎病患者的腎臟預後。 PubMed DOI

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

研究使用機器學習預測AKI患者腎功能恢復,分析兩家醫院350,345例病例。模型準確,找出影響恢復的關鍵因素。研究提供預測AKI患者腎功能恢復的見解,但仍需改進和擴充數據集。 PubMed DOI

這項研究評估了四種深度學習分類演算法——決策樹、隨機森林、支持向量機和極端梯度提升(Xgboost),用於500名原發性腎小球疾病患者的原發性膜性腎病(PMN)鑑別診斷。結果顯示,322名患者為PMN,178名為非PMN。Xgboost模型表現最佳,對PMN的敏感度達92%,特異度達96%。因此,這項研究成功建立了PMN的鑑別診斷模型,Xgboost是臨床上最有效的選擇。 PubMed DOI

小兒國際IgA腎病(IgAN)預測工具已更新,能評估兒童在活檢後一年內腎功能下降的風險。這項工具結合臨床因素和組織學評分,基於947名兒童的研究,38%被追蹤至成年。更新後的工具準確性和校準度優於原版,且四年內的預測數據更佳。研究顯示,eGFR變化趨勢非線性,高風險兒童起始eGFR較低且下降快。原始工具適合活檢時初步評估,更新版則用於活檢後的風險重新評估。 PubMed DOI

臨床風險預測模型越來越受到重視,其中一個重要的部分是識別需要重新校準的特定群體。最近,《Kidney International》發表了針對兒童的活檢後國際IgA腎病預測工具的更新版本。這篇評論探討了更新所用的方法、該工具在臨床上的適用性,以及與模型開發和應用相關的更廣泛原則。 PubMed DOI

慢性腎臟病(CKD)是一種常見疾病,可能引發嚴重健康問題。本系統性回顧分析了33項人工智慧(AI)模型在預測CKD進展的有效性。主要發現顯示,這些預測工具的合併敏感度為0.43,特異度高達0.92,顯示出良好的識別能力。正似然比為5.12,負似然比為0.28,曲線下面積(AUC)為0.89,顯示整體診斷準確性不錯。儘管結果令人鼓舞,研究仍強調需進一步優化AI模型,以平衡敏感度與特異度,並克服數據集不平衡等限制。 PubMed DOI

這項研究針對免疫球蛋白A腎病(IgAN)患者,特別是慢性腎病(CKD)第3或第4期且有顯著蛋白尿的情況,開發了一個預後模型。研究分析了263名患者,隨訪平均57.3個月,發現腎小球過濾率(eGFR)較低和蛋白尿較高的患者,末期腎病(ESKD)風險增加。使用隨機生存森林(RSF)等多種技術,RSF模型的預測性能最佳,顯示出七個重要風險因素,並有效預測IgAN患者的病程進展。 PubMed DOI

這項研究回顧了人工智慧(AI)和機器學習(ML)在預測住院病人急性腎損傷(AKI)的表現。共分析了4,816篇文章,最終納入95篇,涵蓋380萬次住院紀錄。最常用的AKI定義是KDIGO-AKI標準。識別出302個預測模型,以邏輯回歸模型最為普遍。預測AKI的關鍵因素包括年齡、性別、糖尿病等。預測模型的AUC顯示出潛力,但臨床應用仍面臨挑戰,因為研究間存在顯著異質性和偏差風險。 PubMed DOI