研究發現RF-RG分類系統對預測IgAN患者的腎臟結果相當有效，追蹤991名患者5.5年後發現RF-RG與不良腎臟結果有關。RF-RG類別越高，結果越差。進展性疾病患者較難達到蛋白尿和血尿的緩解。 PubMed DOI

利用機器學習演算法分析CKD患者的腎臟纖維化程度，XGBoost模型表現優異，AUC達0.97。SHAP方法有助於解釋模型輸出，顯示腎小球過濾率對預測影響最大。這有助於臨床醫生制定CKD患者的治療策略。 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

研究開發了機器學習模型，可預測兒童IgA血管炎的腎損傷風險，並找出風險因素。使用217名患者數據訓練6種算法，隨機森林表現最佳。確定了11個影響風險的特徵，並驗證了簡化模型。該模型準確預測腎損傷，提供臨床網絡工具。研究程式碼在GitHub公開。 PubMed DOI

本研究探討系統性免疫炎症指數（SII）在免疫球蛋白A腎病（IgAN）患者中的預後價值。研究納入374名IgAN患者，隨訪至少12個月。結果顯示，高SII（≥ 456.21）組的患者在腎功能、血紅素及病理特徵上較低，且有53名患者進展至末期腎病（ESKD）。Cox回歸分析指出，高SII是腎臟存活不良的獨立風險因素，危險比為3.028。總結來說，高SII與IgAN患者的病情嚴重程度及腎臟預後不良相關。 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

這項研究針對2141名來自中國的IgA腎病患者，分析了他們的長期結果，特別是蛋白尿與腎病進展的關係。隨訪平均5.8年，24%的患者發展為末期腎病，腎臟存活中位數為12.4年。結果顯示，蛋白尿是腎衰竭的重要預測因子，當蛋白尿超過0.5 g/d時，ESKD風險顯著增加。蛋白尿低於0.3 g/d的患者長期腎臟存活率較好。這項研究強調，儘管有治療，許多IgAN患者仍面臨不良結果，特別是高蛋白尿患者。 PubMed DOI

這項研究旨在找出能預測急性腎損傷（AKI）後慢性腎病（CKD）長期風險的臨床變數和生物標記。研究分析了723名住院AKI患者的數據，使用機器學習技術預測三年內的重大不良腎事件（MAKE）。結果顯示，28%的患者在三年內發生MAKE，且預測模型表現良好。重要的預測因子包括白蛋白尿和利尿劑使用。研究結論指出，結合臨床數據和生物標記能有效識別高風險患者，促進個性化護理，改善長期結果。 PubMed DOI

這項研究評估了透過腎活檢診斷的高血壓腎病患者的長期腎臟預後，使用隨機生存森林演算法。研究在西京醫院進行，225名患者中70%為訓練組，30%為測試組。主要結果為腎小管過濾率顯著下降、末期腎病或死亡。研究找出六個影響預後的關鍵變數，RSF模型在預測上表現優於傳統Cox回歸模型，顯示出更好的風險分類能力。這為改善高血壓腎病患者的診斷和治療提供了重要見解。 PubMed DOI