腎纖維化在慢性腎病中扮演重要角色，但目前有效的診斷和治療選擇仍有限。最近研究顯示，RNA結合蛋白（RBPs）在纖維化過程中關鍵。研究人員分析了175個腎纖維化樣本和99個正常樣本，利用生物資訊學和機器學習技術識別重要RBPs。診斷模型顯示高準確性（AUC = 0.899），並得到外部驗證。這些RBPs參與免疫相關通路，並可能成為潛在治療靶點。此研究增進了對腎纖維化機制的理解，並提供了新的生物標記和治療方向。 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_IVIM、MK_DKI 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_IVIM 和 α_SEM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

研究團隊開發了一套深度學習模型，能結合實驗室數據和臨床紀錄，準確預測住院成人48小時內發生中重度急性腎損傷（AKI）的風險，效果比只用結構化資料的模型更好，有助醫師及早發現高風險病人並介入治療。 PubMed DOI

這項針對3,714位慢性腎臟病患者的研究發現，虛弱指數（FI）是預測存活率最準的指標，甚至比其他臨床或實驗室數據還要準。研究團隊用11個關鍵變項建立預測模型，可精準預測1到10年的存活率。FI分數的風險比特別高，顯示FI在評估CKD患者預後時非常重要。 PubMed DOI

這項研究用四家醫院的資料，開發並驗證一個機器學習模型，能預測洗腎病人心臟瓣膜鈣化的風險。模型根據五個臨床指標建立，最後發現邏輯迴歸的表現最穩定。這工具有助於早期發現高風險患者，提升洗腎病人心臟瓣膜鈣化的篩檢和管理效率。 PubMed DOI

這項研究用15項加護病房常見的數據，開發出一個能預測重症病人7天內發生不同程度急性腎損傷（AKI）風險的模型。分析976位病患資料，模型準確度不錯（AUC 0.76），也有臨床實用性，有助於及早找出高風險病人，提升治療效果。 PubMed DOI

研究人員開發了一套針對糖尿病腎病變患者的風險預測模型，結合臨床資料和四種血液生物標記，能準確預測三年內重大心腎事件（C-statistic 0.80）。這模型可將患者分為低、中、高風險，低風險陰性預測值達94%，高風險陽性預測值有58%。不同族群驗證都有效，且用canagliflozin治療能降低所有風險層級的事件發生率。 PubMed DOI

這項研究用深度學習分析FSGS和MCD病人的腎臟切片，萃取出腎小管的細部特徵，發現這些AI計算的數據比傳統肉眼評分或臨床資料更能準確預測病情發展和蛋白尿改善。像基底膜變厚、上皮細胞變扁等變化，和較差預後有關，且會隨纖維化加重。AI分析有助提升風險預測，但臨床應用前還需更多驗證。 PubMed DOI

這項研究用先進MRI技術，發現慢性腎臟病患者在身體功能變差前，腿部肌肉就已出現纖維化、脂肪增加和代謝異常。這些變化可透過MRI早期偵測，未來有助醫師及早介入治療，提升病患照護品質。 PubMed DOI

這項西班牙研究發現，約一半糖尿病患者的腎臟問題其實不是糖尿病腎病，且這些人的預後較好。研究也提出五項臨床指標，幫助醫師預測患者是否屬於非糖尿病性腎臟病，協助決定是否需要做腎臟切片。 PubMed DOI