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

管理慢性腎臟疾病（CKD）時，使用風險預測對於做出及時決策至關重要。各種預後模型已開發用於評估CKD患者腎功能衰竭風險，但仍有改進空間。準確的預後可帶來重大臨床和心理益處，並有機會預防腎功能衰竭及減緩CKD風險。 PubMed DOI

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

現代臨床流行病學中的競爭風險分析有兩大目的：首先是理解病因與結果之間的關聯，幫助醫師識別影響結果的因素；其次是評估病人的風險，透過子分佈風險模型提供病人風險的見解。以等待已故捐贈者腎臟移植的病人為例，需考慮接受DDKT、接受活體捐贈、因病人死亡或健康惡化而移除等四種結果。了解子分佈風險比（HRs）及正確估算DDKT的中位等待時間，對於臨床決策至關重要，應避免使用不適當的估計方法。 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

在隨機試驗中，死亡事件可能會影響研究結果，這被稱為競爭風險。傳統的Cox比例風險模型將死亡視為截尾數據，可能導致偏差，因為它假設存活者能代表未存活者。Fine和Gray模型雖然常用，但有時應用不當。為了解決這些問題，我們提出了一種多重插補的方法，能更好地考量死亡與未觀察結果風險的關係。我們透過三個心血管試驗的例子和模擬研究，展示了這種方法的有效性，並提供了對未來臨床試驗管理競爭風險的實用建議。 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

這項研究分析了美國腎臟移植受者在第一次移植物失敗後的長期等候名單、再移植及全因死亡率的趨勢，數據來自1990至2019年的美國腎臟數據系統。主要發現包括：透析病人數量增加、第二次移植等候名單比率上升後下降、再移植率顯著下降、死亡率在2015至2019年期間較1990至1994年低25%。此外，女性及非裔、美國西班牙裔病人的等候名單和再移植率低於白人。研究顯示等候名單改善及死亡率降低，但仍需關注種族和性別差異。 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