本研究旨在利用人工智慧（AI）演算法，開發一個更有效的風險分層工具，以改善英國活體捐贈腎臟移植的選擇過程。我們分析了2007至2022年間的12,661例術前數據，並測試了四個機器學習模型。結果顯示，XGBoost模型在移植物存活率的預測上表現最佳，顯示出良好的預測能力。這種基於AI的模型有潛力改善捐贈者與受贈者的配對，並提升腎臟配對交換計畫的成效，展現AI在醫療領域的應用價值。 PubMed DOI

這項研究檢驗了一個荷蘭的兒童腎臟移植預測模型，並評估其在德國和法國的適用性。分析了3,266例移植，結果顯示荷蘭模型在原始背景下表現良好，但在其他國家的表現顯著下降。研究者還創建了國際預測模型，但效果不佳。相對而言，針對各國調整的荷蘭模型表現較好，顯示出不同國家的臨床實踐差異。因此，建議使用國家特定模型來優化兒童腎臟移植的捐贈者選擇。 PubMed DOI

研究團隊開發出一種用尿液檢測4個基因外泌體mRNA的新方法（ExoTRU），能非侵入性偵測並區分不同腎臟移植排斥反應。這項檢測靈敏度高達94%，即使腎臟切片沒發現異常，也能預測不良結果。驗證結果顯示，這方法有機會減少約45%的不必要腎臟切片，對移植病患的風險評估和管理很有幫助。 PubMed DOI

這項法國大型研究分析2009到2020年超過3.4萬名腎臟移植患者，發現5年存活率達89%，移植物存活率85%。大多數人用calcineurin抑制劑等免疫藥物，近年tacrolimus等新藥使用增加，類固醇等則減少。整體治療方式變化不大，成果相當理想，也為未來新療法評估提供重要參考。 PubMed DOI

這項研究開發了一個簡單的風險評分工具，能預測腎臟移植後一年內發生BK病毒腎病的機率。評分依據包括：受贈者年齡超過50歲、男性，以及有腎臟移植病史。這個模型準確度中等（AUC 0.65），可協助找出高風險病人，幫助醫師提早規劃預防措施。 PubMed DOI

這項大型腎臟移植研究發現，測量尿液 CXCL9 和 CXCL10 對偵測排斥反應的幫助有限。CXCL9 雖然診斷準確性略有提升，但不足以影響臨床決策，CXCL10 則無明顯效益。整體來說，這些尿液生物標記在移植後一年內，並未優於現有的臨床監測方法。 PubMed DOI

這項研究用單細胞染色質分析技術，深入比較腎臟移植後T細胞介導排斥反應和BK多瘤病毒腎病變的細胞變化與分子特徵。結果發現，兩者在細胞組成和染色質調控路徑上有明顯差異，並找出關鍵調控因子，未來有助於提升診斷和治療這些移植併發症的精準度。 PubMed DOI

研究團隊開發了一套只需2個基因的分子分類器，可準確診斷腎臟移植排斥（ABMR和TCMR），且能預測移植物失敗。這方法在不同族群和平台都適用，連傳統組織學沒發現排斥時也能偵測，有望讓臨床診斷更簡單、準確。 PubMed DOI

研究人員用先進的計算方法（MOFA）分析131位腎臟移植病患的多種生物資料，找出八個關鍵因素，能解釋排斥反應和免疫反應等變化。這種整合分析方式，有助於深入了解移植排斥的複雜機制，也為其他相關研究提供新方向。 PubMed DOI

慢性腎臟病（CKD）在接受異體造血幹細胞移植（HSCT）後越來越常見，約有一成病人在半年內發生。年紀較大、血液疾病拖比較久，會增加CKD風險；但如果是急性淋巴性白血病，反而比較不容易得CKD。隨著HSCT存活率提升，CKD已成為重要共病，需特別注意高風險族群。 PubMed DOI