腎移植手術和治療進步提高了短期存活率。研究顯示，1995-2014年澳紐腎移植數據改善了長期結果，5年和10年的移植失敗率下降，中長期存活率提高。排斥反應、血管原因、死亡和腎小球疾病導致的失敗也減少。 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

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

研究在比利時、荷蘭和德國的2,428名腎移植患者中進行，發現移植後約6.5天時，腎功能變化點為eGFR 43.7 mL/min/1.73m²。供受者特徵，尤其是供者類型，影響腎功能演變和移植成功率。儘管eGFR軌跡異質，初期結果或許不佳，但仍有潛力達到良好腎功能。分段回歸模型可幫助預測早期腎功能演變，提供未來研究重要參考。 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

預後模型在腎臟移植的臨床試驗和病人管理中越來越重要。本研究分析了來自10個國家的11,046名腎臟移植受者的數據，評估競爭風險模型與非競爭風險模型的表現。研究發現，兩者在預測長期移植物失敗方面的有效性相似，顯示模型選擇對預測結果影響不大。雖然大部分子群體表現良好，但某些高風險群體使用競爭風險方法的校準較佳。整體而言，這些模型在臨床應用中均具參考價值。 PubMed DOI

本研究旨在利用人工智慧（AI）演算法，開發一個更有效的風險分層工具，以改善英國活體捐贈腎臟移植的選擇過程。我們分析了2007至2022年間的12,661例術前數據，並測試了四個機器學習模型。結果顯示，XGBoost模型在移植物存活率的預測上表現最佳，顯示出良好的預測能力。這種基於AI的模型有潛力改善捐贈者與受贈者的配對，並提升腎臟配對交換計畫的成效，展現AI在醫療領域的應用價值。 PubMed DOI

預後模型在腎臟移植的臨床試驗和病人管理中越來越重要，因為移植物失敗和功能性移植物下死亡是相互競爭的結果。本研究分析了來自十個國家的11,046名腎臟移植受者的數據，評估競爭風險模型與非競爭風險模型的表現。結果顯示，兩者在長期移植物失敗的風險估計上相似，預測誤差差異極小。雖然大部分子群體表現良好，但某些高風險群體在使用競爭風險方法時校準較佳。總體而言，兩種模型在預測長期腎移植物失敗方面的表現相當。 PubMed DOI