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