A novel prognostic nomogram predicts premature failure of kidney allografts with IgA nephropathy recurrence.
一個新的預後評分圖可預測IgA腎病復發的腎移植物提前失敗。 Nephrol Dial Transplant 2023-11-23

研究442位接受腎移植的IgA腎病患者，結果顯示18.8%在移植後出現IgAN復發。年齡、性別、再移植狀況等因素影響復發，而年齡、蛋白尿和C4d陽性則影響移植物損失。預測模型準確，可幫助辨識IgAN復發可能導致移植物損失風險的腎移植患者。 PubMed DOI

A nomogram predicting the histologic activity of lupus nephritis from clinical parameters.
一個從臨床參數預測狼瘡性腎炎組織活性的繪圖表。 Nephrol Dial Transplant 2024-03-01

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

Prognostic prediction of idiopathic membranous nephropathy using interpretable machine learning.
可解釋的機器學習在預測特發性膜性腎病的預後中的應用。 Ren Fail 2023-10-27

透過電子病歷開發了一個機器學習模型，可以預測特發性膜性腎病（IMN）的預後。使用418名IMN患者的數據，建立了五種機器學習算法的預測模型，其中以梯度提升機（LightGBM）模型表現最佳，準確度高。同時，也找出了影響IMN預後的重要風險因素，例如抗磷脂酶A2受體水平和免疫球蛋白G4水平。這個模型有助於個別化管理IMN患者。 PubMed DOI

A nomogram prediction model for treatment failure in primary membranous nephropathy.
原發性膜性腎病治療失敗的預測模型圖。 Ren Fail 2023-10-10

研究目的是為了幫助原發性膜性腎病（PMN）患者預測治療效果。他們分析了310位PMN患者的資料，發現PLA2R抗體、炎症細胞及C3沉積是治療失敗的主要風險。預測模型能一定程度預測風險，有助於辨識高風險患者，但仍需進一步改進。 PubMed DOI

Machine learning-based 2-year risk prediction tool in immunoglobulin A nephropathy.
免疫球蛋白A腎病的機器學習基礎2年風險預測工具。 Kidney Res Clin Pract 2023-11-03

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

Risk prediction of the progression of chronic kidney disease stage 1 based on peripheral blood samples: construction and internal validation of a nomogram.
基於外周血樣本的慢性腎臟病1期進展風險預測：一個試劃圖的建立與內部驗證。 Ren Fail 2023-11-27

研究探討CKD第一期風險因素，有助臨床決策。分析300名患者，發現高血壓、糖尿病和尿白蛋白是疾病進展關鍵。預測模型表現良好，可協助制定個人化治療方案。 PubMed DOI

Focal Segmental Glomerulosclerosis: Assessing the Risk of Relapse.
局灶性節段性腎小球硬化症：評估復發風險。 Kidney Int Rep 2023-12-01

FSGS緩解後的蛋白尿緩解有助於改善腎臟結果。非典型緩解變體容易復發，與復發相關的特徵包括較高的蛋白尿水平和血壓。已開發工具估計FSGS復發風險，可用臨床特徵預測。未來應該研究延長緩解的策略。 PubMed DOI

Management and Clinical Outcomes of Membranous Nephropathy, IgA Nephropathy, and Minimal Change Disease Two Years Post-Kidney Biopsy.
腎脏活檢後兩年的膜性腎病、IgA腎病和微小變化病的管理和臨床結果。 Kidney Blood Press Res 2024-04-14

研究2000至2019年單一醫療中心的腎臟活檢患者，專注於膜性腎病、免疫球蛋白A腎病和微小變化病。分析4,550例活檢，膜性腎病病例明顯增加。後續研究發現81.2%患者蛋白尿有改善，9.2%腎臟疾病惡化，以IgAN最為常見。腎臟病理、蛋白尿水平和特徵與結果有關，凸顯這些腎臟疾病的趨勢和結果。 PubMed DOI

Timing of relapse as a key indicator of steroid-sparing requirements in childhood idiopathic nephrotic syndrome.
兒童特發性腎病綜合症中復發時間作為類固醇減量需求的關鍵指標。 J Nephrol 2024-09-01

管理腎病綜合症的兒童相當具挑戰性，特別是那些經常復發或依賴類固醇的患者。這項研究回顧了2006至2023年間121名特發性腎病綜合症兒童的醫療紀錄，發現診斷後的早期復發是需要類固醇節省劑的主要預測因子。結果顯示，早期復發的兒童不僅需要更早的類固醇節省治療，還有較高的復發頻率及副作用風險。未來需進一步研究以確認這些結果。 PubMed DOI

Conventional machine learning-based prediction models did not outperform the International IgA Nephropathy Prediction Tool.
傳統機器學習預測模型未能超越國際 IgA 腎病預測工具。 Kidney Res Clin Pract 2024-10-09

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

原始文章

站上相關主題文章列表