研究專注於預測狼瘡性腎炎（LN）患者的組織活性指數（AI），對治療很重要。研究開發了兩個預測模型，利用腎臟活檢數據，表現良好，能有效辨識高AI患者。發現血壓、腎功能和某些實驗室結果是LN患者高AI的獨立風險因素。這些模型在區分高AI患者方面準確，LASSO模型表現較佳。開發了網頁工具供臨床醫師輸入數據，得到高AI概率分數。研究圖表可幫助臨床醫師評估高AI的LN患者，做出明智治療決策。 PubMed DOI

研究開發了一個結合超級微血管成像（SMI）、深度學習、放射組織學特徵和臨床因素的預測模型，可以區分免疫球蛋白A腎病（IgAN）和非IgAN。經驗證後，發現此模型在準確區分兩種情況上表現優異。這個結合式預測模型可協助醫生為腎病患者制定更明確的治療方針。 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

新的預測模型U-AKIpredTM能夠在12小時內預測危重病患中的急性腎損傷（AKI），結合了三個關鍵生物標誌，顯示出比其他生物標誌更好的預測表現。模型在訓練集和驗證集中表現準確，並創建了基於預測性能最佳化的等高線圖。U-AKIpredTM在預測AKI和嚴重AKI方面優於NephroCheck®，是危重病房中識別高風險AKI患者的重要工具。 PubMed DOI

住院期間的急性腎損傷（AKI）會顯著提高併發症和死亡率風險。研究分析了56,820名成人患者的數據，發現24.5%的患者有AKI，其中只有3.3%被正確診斷為完全AKI，68%的AKI病例未被檢測到。與完全AKI患者相比，未檢測的AKI患者年齡較輕、合併症較少，死亡率也較低。這項研究強調了住院患者中AKI識別的差異性及未檢測病例的普遍性，顯示準確診斷AKI對改善患者結果的重要性。 PubMed DOI

這項研究針對尿路結石患者的急性腎損傷（AKI）風險因素進行調查，並建立早期檢測AKI的預測模型。研究分析了1,016名急診患者，發現18.7%發展為AKI。透過多因素邏輯回歸，識別出年齡、發燒、糖尿病等獨立風險因素。預測模型的ROC曲線下面積（AUC）為0.818，顯示良好表現，並具臨床實用性，能幫助醫生識別高風險患者，改善預後。 PubMed DOI

本研究建立並驗證了一個網路預測圖，旨在預測接受健康檢查者在四年內發展為慢性腎臟病（CKD）的風險。研究涵蓋兩個健康檢查中心，共9667名參與者，分析了十六個預測因子。結果顯示，年齡、糖尿病病史、收縮壓等是關鍵因子。預測圖在訓練和驗證隊列中均顯示出良好的區分能力，AUC值分別為0.8806、0.8506和0.9183。此外，還開發了網路計算器，方便醫療提供者在臨床上評估CKD風險。 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

這項研究中，研究人員針對急診病人開發了一個預測急性腎損傷（SA-AKI）風險的標準圖。他們分析了391名敗血症病人的數據，分為訓練和驗證兩組，並建立了三個預測模型，最終選擇了包含最少指標的模型3。關鍵因素包括使用血管收縮劑、年齡、血小板計數等。模型顯示高準確性，並在預測30天生存率及重大腎事件方面也具有效性，對急診醫生預防SA-AKI相當有幫助。 PubMed DOI