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

對於小朋友患有狼瘡腎炎，保持腎臟穩定很重要。研究發現，25%的患者達到穩定緩解，而75%未達到。達到穩定緩解的患者在診斷時有正常的血紅蛋白和eGFR，較低的蛋白尿。抗體有改善，但未完全恢復。正常的eGFR和低蛋白尿是預測穩定緩解的重要因子。 PubMed DOI

目前狼瘡性腎炎（LN）的治療效果常不理想，超過50%的患者無法長期緩解。一項研究分析了活動性LN患者與非腎性狼瘡患者的血液基因表達，找出20個失調的基因模組，並根據干擾素（IFN）水平將LN患者分為低、中、高IFN三個亞組。每個亞組在B細胞和漿細胞相關基因的失調模式上有不同特徵。研究指出，低IFN亞組可考慮鈣調神經酶抑制劑，中IFN可用針對B細胞的療法，高IFN則可能受益於anifrolumab，這為LN的個性化治療提供了新方向。 PubMed DOI

增生性紅斑狼瘡腎炎（LN）的管理需在疾病活動期與靜止期之間靈活調整，這需要準確的評估工具。文章強調臨床、血清學及組織學評估在重新定義LN治療目標中的重要性。傳統上，治療成功以減少蛋白尿和改善腎功能為標準，但這些指標無法完全區分活躍炎症與慢性損傷。雖然研究持續進行，抗雙鏈DNA抗體仍是主要的評估指標。作者建議轉向更動態、個體化的治療方法，並同時達成臨床、免疫學及腎功能保護三大目標。 PubMed DOI

這項研究調查了176名中國狼瘡性腎炎（LN）患者在接受治療兩年後的長期結果。結果顯示，64.2%的患者達到修訂主要療效腎反應（mPERR），43.8%達到修訂完全腎反應（mCRR）。經過平均15.3年的隨訪，mPERR和mCRR反應者的腎臟存活率顯著高於無反應者，分別為85.8%和92.2%。此外，達到mPERR可降低60%的腎臟非存活風險，而mCRR則降低86%。這顯示mPERR和mCRR是預測患者長期腎臟健康的重要指標。 PubMed DOI

這項研究針對膜性紅斑狼瘡腎炎（MLN）進行調查，重點在於分類和預後。分析了412名患者，隨訪中位數約65.7個月，評估不良腎臟事件如死亡和末期腎病。研究發現傳統分類顯示相似的臨床特徵，但透過K-means聚類，將患者分為高風險和低風險兩組，結果顯示不良結果有顯著差異。決策樹模型結合多項指標，能有效識別高風險患者，準確率高達95.8%。研究建議新型表型聚類可能更能改善風險評估和預後準確性。 PubMed DOI

這項研究開發了一個深度學習模型，旨在根據Berden分類法對抗中性粒細胞自體抗體（ANCA）相關腎小管腎炎的腎小管病變進行分類。模型訓練基於80名患者的腎臟活檢切片，達到93%的高預測準確率。研究中使用可解釋的人工智慧技術（如Grad-CAM）來增強模型的透明度，並讓病理學家分析熱圖，確認模型與他們的判斷一致。這項研究展示了深度學習與可解釋性技術結合的潛力，能提升診斷準確性並提供推理見解。 PubMed DOI

狼瘡性腎炎（LN）是系統性紅斑狼瘡（SLE）的一個嚴重併發症，影響患者生存率。雖然治療有所進步，但仍需早期檢測以改善治療效果。本研究運用生物資訊學和機器學習，識別LN的潛在生物標記，並透過免疫組織化學分析。研究發現干擾素誘導蛋白44（IFI44）在LN患者腎臟中表達顯著高於健康對照，且與病情指標呈正負相關。IFI44被視為LN的潛在生物標記，可能有助於改善疾病評估及個性化治療策略。 PubMed DOI

在抗磷脂酶A2受體（PLA2R）抗體相關的膜性腎病患者中，預測治療後的緩解情況一直很具挑戰性。一項針對187名患者的研究，開發了邏輯回歸模型，根據臨床變數和抗體水平預測12個月後的蛋白尿緩解。結果顯示107名患者達到緩解，模型基於基線及治療三、六個月後的數據，關鍵預測因子包括性別、血清白蛋白、蛋白尿及抗體水平變化。三個月和六個月的模型表現優於基線模型，為臨床醫生提供了評估患者緩解可能性的有用工具。 PubMed DOI