開發了深度學習模型，分析已故捐贈者的腎臟組織活檢樣本，提升器官利用。透過訓練2000個腎臟的異常特徵，並與病理學家的評分和移植結果相關性分析，建立了腎臟捐贈者品質評分（KDQS）。這些模型可幫助預測移植物損失，協助器官選擇，成功預測了腎移植接受者的移植物損失。應用KDQS於被棄置的腎臟，可估計許多腎臟若移植，可能有相似的存活率，改善風險評估和器官利用，潛在減少不必要的器官棄置。 PubMed DOI

全球缺乏供移植使用的死亡捐贈腎臟，導致許多病人在等待名單上等待時死亡。在美國，許多回收的腎臟根據病理學家有限經驗的活檢結果被棄置。《腎臟國際期刊》最近的一項研究顯示，使用人工智慧來評估這些活檢可以提高與移植腎臟存活的相關性，並有可能將器官棄置率降低25%至30%。 PubMed DOI

這項研究旨在利用人工智慧（AI）演算法來改善活體腎移植的結果預測。深度Cox混合模型在預測以死亡為終點的移植腎存活率方面表現最佳，相較於現有模型如活體腎捐贈者檔案指數（LKDPI）。這個AI模型可以增進在活體捐贈者選擇上的決策，並有潛力改善配對交換計畫的結果。 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

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

英國去世捐贈者腎臟移植結果預測工具（UK-DTOP）運用先進的人工智慧，分析了2008至2022年間的29,713例移植數據，評估三種機器學習模型。結果顯示，XGBoost模型表現最佳，協調指數達0.74，遠超傳統的腎臟捐贈者風險指數（KDRI）0.57，顯示出更高的預測準確性。該工具不僅提升了移植前的決策質量，還可能對全球的器官移植實踐帶來正面影響。 PubMed DOI

這項研究開發了一個動態貝葉斯模型，旨在預測腎臟移植受者的長期存活率及移植物存活率，透過分析腎小管過濾率（eGFR）的變化。研究資料來自1980至2017年間的14,915名成年腎臟移植受者。結果顯示，eGFR的下降與移植物喪失及死亡風險增加有顯著關聯。該模型在預測移植物5年內的喪失時，推導隊列的AUC值為0.83，驗證隊列為0.81，顯示出良好的預測性能，能幫助識別高風險患者，改善早期介入策略。 PubMed DOI

這項研究評估了三個人工智慧大型語言模型（LLMs）—ChatGPT、Google Gemini 和 MedGPT—在腎臟捐贈資訊的質量與可讀性。使用35個常見問題進行評估，結果顯示Google Gemini的CLEAR分數最高（24.33），其次是MedGPT（23.33）和ChatGPT（22）。可讀性方面，所有模型的文本都達到大學水平，ChatGPT的可讀性評分為37.32，Gemini為39.42，MedGPT為29.66。雖然資訊準確，但語言複雜度對於低教育背景者來說可能較具挑戰性，提醒醫療提供者需了解AI生成資訊的局限性。 PubMed DOI

本研究針對1993至2023年間的890篇文獻進行分析，探討人工智慧（AI）在腎臟移植中的應用，這對末期腎病（ESRD）治療至關重要。透過CiteSpace和VOSviewer等工具，識別全球趨勢及主要研究領域。美國，特別是梅奧診所，成為主要貢獻者。研究主題包括AI在捐贈者配對、深度學習在移植後監測及機器學習在個性化免疫抑制中的應用。自2017年以來，AI應用顯著增加，未來趨勢指向個性化醫療及遠程醫療。本綜述為研究人員和臨床醫生提供了重要資源，並建議未來研究方向。 PubMed DOI