腎臟風險預測模型近來有新進展，專注於整合新方法並關注早期結果。機器學習模型顯示在預測腎臟疾病進展上有潛力。也有簡化模型依賴自報數據，但普及性尚不確定。趨勢是預測早期腎臟結果，有助於更廣泛的患者。未來研究應專注將模型應用於臨床實踐並評估長期效果。 PubMed DOI

研究證實了IINN-PT工具可預測IgA腎病患者腎病進展風險。在法國研究中，該工具長期追蹤15年表現良好，無論種族。然而，15年後，未考慮種族的模型在存活方面有問題。研究強調預測IgA腎病進程時要考慮種族因素。 PubMed DOI

研究團隊開發了一個工具，可以預測慢性腎臟疾病（CKD）兒童何時需要進行腎臟替代治療（KRT），使用常見臨床變數。他們分析了CKiD研究中890名兒童的172個變數，包括診斷、腎功能、蛋白尿、血壓、貧血等。研究已經驗證模型，並建立了一個臨床線上計算器，但仍需進一步確認模型的準確性。 PubMed DOI

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

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

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

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

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