原始文章

這項研究開發了一個多模態超音波深度學習模型,目的是自動分類慢性腎病(CKD)患者的早期纖維化。研究對象為2022年接受各種超音波檢查的患者,根據病理分數分為最小纖維化組和輕度纖維化組。數據集分為訓練集和測試集,並創建了整合三種超音波特徵的深度學習模型。結果顯示,多模態模型的AUC達到0.86,顯著優於單一模式模型,顯示其在預測CKD早期纖維化的有效性。 PubMed DOI


站上相關主題文章列表

利用機器學習演算法分析CKD患者的腎臟纖維化程度,XGBoost模型表現優異,AUC達0.97。SHAP方法有助於解釋模型輸出,顯示腎小球過濾率對預測影響最大。這有助於臨床醫生制定CKD患者的治療策略。 PubMed DOI

剪切波彈性成像是一種潛在的非侵入性方法,用於評估腎臟健康,特別是在檢測纖維化方面。研究發現腎臟硬度與纖維化、阻力指數和腎小球過濾率有相關性,但仍需更多研究確定其效果。 PubMed DOI

研究目的是提升對CAKUT胎兒腎臟存活的超聲波預測能力。通過組織學分析,幫助標準化超聲波解讀。研究發現減少羊水量、發育不良和囊腫是最佳預測指標。整合這些因素成演算法可提高預測準確性。發育不良和囊腫雖相關,但起源不同,解釋了它們聯合預測的效果。標準化並結合超聲波解讀可增進CAKUT懷孕的臨床建議。 PubMed DOI

研究人員正努力尋找不需進行手術的方式,像是超音波、磁振造影和放射統計學,來診斷慢性腎臟疾病中的腎臟纖維化。綜合21個研究、4885名參與者的結果,發現超音波在檢測腎臟纖維化方面比磁振造影和放射統計學更靈敏。雖然磁振造影具高特異性,但放射統計學在診斷腎纖維化上仍有挑戰。未來需要更多研究來優化人工智慧演算法。 PubMed DOI

這項研究探討超聲波黏彈性影像在慢性腎病(CKD)非侵入性評估的有效性,對象包括332名CKD患者和190名健康對照者。結果顯示CKD患者的平均剛度、黏度和擴散值顯著高於對照組,且隨著腎功能下降,黏度和擴散值顯著增加。研究指出,超聲波黏彈性影像可作為評估CKD患者腎功能的有用工具,特定閾值可指示潛在的腎功能障礙,幫助更好識別CKD。 PubMed DOI

這項研究探討剪切波彈性成像(SWE)在評估慢性腎病(CKD)兒童腎臟纖維化的應用。研究涵蓋160名18歲以下的CKD兒童,使用Philips Epic Elite系統進行SWE測量。結果顯示,CKD階段、腎小管過濾率或蛋白尿與YM/SWE值無顯著相關性。在eGFR低於60的患者中,SWE的預測能力較差,但YM在檢測超過50%纖維化方面表現良好,右側腎臟的表現優於左側。總體而言,SWE對早期纖維化的檢測效果有限。 PubMed DOI

這項研究探討應變波彈性成像(SE)與慢性腎病及腎小球腎炎患者腎纖維化的關聯,共有68名接受腎活檢的患者參與。研究發現,SE測量與血清肌酸酐、纖維化百分比等有顯著正相關,與估計腎小球過濾率則呈負相關。ROC曲線分析顯示,回聲強度的敏感度達100%,特異度62.5%。研究結論認為,SE可有效區分腎纖維化階段,但需進一步研究以確認其臨床應用。 PubMed DOI

本研究探討七種擴散模型在評估慢性腎病患者的腎間質纖維化及腎功能下降的有效性。共133名CKD患者和30名對照者參與,並進行多擴散序列掃描。研究發現,綜合模型(包含皮質 f<sub>IVIM</sub>、MK<sub>DKI</sub> 和 eGFR)在區分輕度與中度至重度纖維化方面表現優於傳統臨床模型。隨訪結果顯示,皮質 f<sub>IVIM</sub> 和 α<sub>SEM</sub>與腎功能變化顯著相關,顯示綜合模型在評估腎病進展中具潛在價值。 PubMed DOI

這項多中心研究開發並驗證了一套用常規血液檢查數據(像是Scr、eGFR、PTH、BNP及性別)的機器學習模型和臨床風險預測圖,可準確預測慢性腎臟病患者的腎臟纖維化嚴重度,提供一個可取代侵入性腎臟切片的實用工具,且在不同驗證隊列中表現都很穩定,未來有望成為臨床上動態、非侵入性評估纖維化的新方法。 PubMed DOI

研究團隊開發了一套深度學習模型,能結合實驗室數據和臨床紀錄,準確預測住院成人48小時內發生中重度急性腎損傷(AKI)的風險,效果比只用結構化資料的模型更好,有助醫師及早發現高風險病人並介入治療。 PubMed DOI