Prediction of all-cause mortality for chronic kidney disease patients using four models of machine learning.
應用四種機器學習模型預測慢性腎臟病患者的全因死亡率。 Nephrol Dial Transplant 2023-07-03

研究團隊開發了一個新工具，可以預測CKD第4或第5期患者的2年全因死亡率，因為現有工具對這些高風險人群不夠準確。研究比較了四個模型，發現貝葉斯網絡和邏輯回歸表現最好。最後選擇了貝葉斯網絡模型並進行了優化。經過優化後，這個工具成功預測了CKD患者的2年死亡率。想使用這個工具的話可以點擊提供的連結，但需要進行外部驗證。 PubMed DOI

Predictive Models for Kidney Recovery and Death in Patients Continuing Dialysis as Outpatients after Starting in Hospital.
在院開始透析後繼續門診透析的患者中，腎功能恢復和死亡的預測模型。 Clin J Am Soc Nephrol 2023-08-17

研究人員開發了一個模型，可以預測接受透析的病人在出院後一年內恢復獨立透析或死亡的機率。這個模型考慮了年齡、病情、住院天數、加護病房情況、出院去向，以及出院前的eGFR和尿液白蛋白/肌酸酐比值。經過另一組病人的驗證，發現模型校準良好。這些模型有助於改善門診透析管理，幫助辨識不同風險水平的病人。可以上qxmd.com/calculate/calculator_874使用相關的線上工具。 PubMed DOI

Better kidney allograft survival despite higher-risk donor and recipient characteristics between 1995-2014.
1995年至2014年間，儘管捐贈者和接受者特徵較高風險，腎移植的存活率更好。 Nephrol Dial Transplant 2024-04-04

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

Development and external validation of a multidimensional deep learning model to dynamically predict kidney outcomes in IgA nephropathy.
IgA腎病多維深度學習模型動態預測腎臟結果的開發和外部驗證 Clin J Am Soc Nephrol 2024-05-10

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

First experiences with machine learning predictions of accelerated declining eGFR slope of living kidney donors 3 years after donation.
活體腎臟捐贈者捐贈後3年加速性eGFR下降斜率的機器學習預測初步經驗。 J Nephrol 2024-06-05

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

An observational cohort study examined the change point of kidney function stabilization in the initial period after transplantation.
一項觀察性cohort研究探討了移植後初始期腎功能穩定的變化點。 Kidney Int 2024-06-30

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

Predicting outcomes after transplantation of deceased donor kidneys of marginal quality within the Eurotransplant service area.
預測在 Eurotransplant 服務區域內移植邊際品質的已故捐贈者腎臟後的結果。 Nephron 2024-07-24

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

Prediction of post-donation renal function using machine learning techniques and conventional regression models in living kidney donors.
使用機器學習技術和傳統回歸模型預測活體腎臟捐贈者的捐贈後腎功能。 J Nephrol 2024-07-29

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

Predicting graft survival in paediatric kidney transplant recipients using machine learning.
使用機器學習預測兒童腎臟移植受者的移植物存活率。 Pediatr Nephrol 2024-08-16

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

Competing and Noncompeting Risk Models for Predicting Kidney Allograft Failure.
預測腎臟移植失敗的競爭與非競爭風險模型。 J Am Soc Nephrol 2024-10-16

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

原始文章

站上相關主題文章列表