原始文章

這項研究探討應變波彈性成像(SE)與慢性腎病及腎小球腎炎患者腎纖維化的關聯,共有68名接受腎活檢的患者參與。研究發現,SE測量與血清肌酸酐、纖維化百分比等有顯著正相關,與估計腎小球過濾率則呈負相關。ROC曲線分析顯示,回聲強度的敏感度達100%,特異度62.5%。研究結論認為,SE可有效區分腎纖維化階段,但需進一步研究以確認其臨床應用。 PubMed DOI


站上相關主題文章列表

研究人員正努力尋找不需進行手術的方式,像是超音波、磁振造影和放射統計學,來診斷慢性腎臟疾病中的腎臟纖維化。綜合21個研究、4885名參與者的結果,發現超音波在檢測腎臟纖維化方面比磁振造影和放射統計學更靈敏。雖然磁振造影具高特異性,但放射統計學在診斷腎纖維化上仍有挑戰。未來需要更多研究來優化人工智慧演算法。 PubMed DOI

這項研究探討超聲波黏彈性影像在慢性腎病(CKD)非侵入性評估的有效性,對象包括332名CKD患者和190名健康對照者。結果顯示CKD患者的平均剛度、黏度和擴散值顯著高於對照組,且隨著腎功能下降,黏度和擴散值顯著增加。研究指出,超聲波黏彈性影像可作為評估CKD患者腎功能的有用工具,特定閾值可指示潛在的腎功能障礙,幫助更好識別CKD。 PubMed DOI

這項研究開發了一個多模態超音波深度學習模型,目的是自動分類慢性腎病(CKD)患者的早期纖維化。研究對象為2022年接受各種超音波檢查的患者,根據病理分數分為最小纖維化組和輕度纖維化組。數據集分為訓練集和測試集,並創建了整合三種超音波特徵的深度學習模型。結果顯示,多模態模型的AUC達到0.86,顯著優於單一模式模型,顯示其在預測CKD早期纖維化的有效性。 PubMed DOI

這項研究探討剪切波彈性成像(SWE)在評估慢性腎病(CKD)兒童腎臟纖維化的應用。研究涵蓋160名18歲以下的CKD兒童,使用Philips Epic Elite系統進行SWE測量。結果顯示,CKD階段、腎小管過濾率或蛋白尿與YM/SWE值無顯著相關性。在eGFR低於60的患者中,SWE的預測能力較差,但YM在檢測超過50%纖維化方面表現良好,右側腎臟的表現優於左側。總體而言,SWE對早期纖維化的檢測效果有限。 PubMed DOI

這項研究探討腎臟缺氧和缺血在慢性腎病(CKD)進展中的影響,使用非侵入性影像技術BOLD-MRI和ASL-MRI。研究對象包括42名CKD患者和10名健康志願者。主要發現顯示,CKD患者的腎皮質和腎髓質氧合及血流明顯低於健康組,且隨著病情惡化而下降。腎臟的氧合和血流與血清肌酸酐等指標呈正相關,與eGFR則呈負相關。研究結論認為,這些影像技術能有效評估腎臟狀況,特別是在CKD早期階段。 PubMed DOI

這項研究探討多參數磁共振成像(MRI)在評估腎動脈狹窄(RAS)患者腎功能的效果。研究對象為62名患者,使用3.0 T的Philips Ingenia CX MRI機器,並採用多種掃描技術。結果顯示,MRI在識別單側腎功能障礙方面具顯著效能,特別是平均腎動脈血流的靈敏度高達0.93,AUC為0.864。結合皮質腎血流和T1值的診斷效能最佳,AUC達0.92。總之,多參數MRI對於檢測RAS患者的腎功能障礙具有潛力,能改善診斷與預後。 PubMed DOI

家族性地中海熱(FMF)是一種遺傳性疾病,可能導致腎臟損傷。本研究利用剪切波彈性成像(SWE)評估50名小兒FMF患者的腎組織彈性,結果顯示其雙腎SWE值顯著高於對照組,且蛋白尿水平也上升。研究未發現疾病活動度與SWE值有關聯,但急性期反應物在緩解期仍顯著高於對照組,顯示持續的亞臨床炎症可能增加組織僵硬度,並提高淀粉樣變的風險。總之,FMF在緩解期仍可能對器官造成損害。 PubMed DOI

這項研究探討非增強型電腦斷層掃描(NECT)放射組學(RDX)在評估慢性腎臟病(CKD)的應用,並與腎臟體積(KV)測量進行比較。研究分析了64名腎功能受損患者和60名正常對照者的NECT掃描。結果顯示,腎功能受損組的腎臟體積顯著低於對照組,且腎臟體積與eGFR呈強正相關。RDX模型的表現優於傳統的KV測量,顯示其在識別CKD高風險患者方面的潛力。 PubMed DOI

本研究探討七種擴散模型在評估慢性腎病患者的腎間質纖維化及腎功能下降的有效性。共133名CKD患者和30名對照者參與,並進行多擴散序列掃描。研究發現,綜合模型(包含皮質 f<sub>IVIM</sub>、MK<sub>DKI</sub> 和 eGFR)在區分輕度與中度至重度纖維化方面表現優於傳統臨床模型。隨訪結果顯示,皮質 f<sub>IVIM</sub> 和 α<sub>SEM</sub>與腎功能變化顯著相關,顯示綜合模型在評估腎病進展中具潛在價值。 PubMed DOI

這項多中心研究開發並驗證了一套用常規血液檢查數據(像是Scr、eGFR、PTH、BNP及性別)的機器學習模型和臨床風險預測圖,可準確預測慢性腎臟病患者的腎臟纖維化嚴重度,提供一個可取代侵入性腎臟切片的實用工具,且在不同驗證隊列中表現都很穩定,未來有望成為臨床上動態、非侵入性評估纖維化的新方法。 PubMed DOI