開發了深度學習模型，分析已故捐贈者的腎臟組織活檢樣本，提升器官利用。透過訓練2000個腎臟的異常特徵，並與病理學家的評分和移植結果相關性分析，建立了腎臟捐贈者品質評分（KDQS）。這些模型可幫助預測移植物損失，協助器官選擇，成功預測了腎移植接受者的移植物損失。應用KDQS於被棄置的腎臟，可估計許多腎臟若移植，可能有相似的存活率，改善風險評估和器官利用，潛在減少不必要的器官棄置。 PubMed DOI

全球缺乏供移植使用的死亡捐贈腎臟，導致許多病人在等待名單上等待時死亡。在美國，許多回收的腎臟根據病理學家有限經驗的活檢結果被棄置。《腎臟國際期刊》最近的一項研究顯示，使用人工智慧來評估這些活檢可以提高與移植腎臟存活的相關性，並有可能將器官棄置率降低25%至30%。 PubMed DOI

研究2013-2023年腎移植中延遲移植功能（DGF）相關文獻，2058篇中顯示發表量增加至2021年，加州大學系統和美國領先。熱門關鍵詞有「延遲移植功能」、「腎移植」、「腎臟移植」，新興趨勢包括「腦死亡捐贈者」和「人工智慧與DGF」。找出潛在合作夥伴和研究熱點，為未來DGF研究提供洞察。 PubMed DOI

研究開發了2-Step Scores，可預測歐洲器官移植國家從腦死捐贈者進行腎臟移植的結果。考慮臨床和病理因素，評估延遲移植功能和一年移植損失風險。這些分數準確度高，或許比現行方法更有效，對歐洲器官移植國家的臨床實務有實質貢獻。 PubMed DOI

這項研究旨在利用人工智慧（AI）演算法來改善活體腎移植的結果預測。深度Cox混合模型在預測以死亡為終點的移植腎存活率方面表現最佳，相較於現有模型如活體腎捐贈者檔案指數（LKDPI）。這個AI模型可以增進在活體捐贈者選擇上的決策，並有潛力改善配對交換計畫的結果。 PubMed DOI

在捐贈前，活腎捐贈者需接受篩檢評估腎臟疾病風險。研究利用機器學習預測238名捐贈者腎功能下降情況，分為腎功能平均下降和加速下降兩組。經過特徵選擇和重新訓練，隨機森林和極端梯度提升模型表現改善。吸煙和腎小球炎特徵具預測性。重點在於特徵質量比數量更重要。 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

這項研究利用機器學習技術，為活體腎臟捐贈者的捐贈後腎功能建立預測模型。研究對象為2009至2020年間的823名捐贈者，目的是準確預測腎切除術後一年內的腎小管過濾率（eGFR）。結果顯示，捐贈前的eGFR平均為101.3 mL/min/1.73 m²，捐贈後下降至68.8 mL/min/1.73 m²。XGBoost模型表現最佳，開發的網頁應用程式「腎臟捐贈與腎臟智慧」（KDN）可供醫療提供者使用，提升活體腎臟捐贈的效率。 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

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