這項研究透過統合分析和孟德爾隨機化，探討糖尿病腎病（DKD）的主要風險因素及其因果關係。研究回顧截至2024年9月的文獻，找出DKD的重要風險因素，如高血壓、合併症、血糖控制不佳等，風險範圍從3.27到6.33。孟德爾隨機化顯示高碳水化合物攝取會增加DKD風險，而多吃蔬菜則有保護作用。研究強調飲食和生活方式改變對預防DKD的重要性，建議早期介入血糖控制、高血壓和飲食。 PubMed DOI

糖尿病腎病（DKD）是2型糖尿病（T2DM）患者常見的併發症。本研究針對12,190名T2DM患者的電子健康紀錄，開發機器學習演算法來預測DKD風險。研究找出了主要風險因素，如年齡、尿液白蛋白與肌酸酐比率等。最終，Light Gradient Boosting Machine（LightGBM）模型在預測準確性上表現最佳。這項研究顯示，透過機器學習可以有效預測DKD風險，幫助早期介入，改善患者的腎臟健康。 PubMed DOI

西班牙腎臟學會（SEN）和糖尿病腎病研究小組（GEENDIAB）最近發布了針對糖尿病腎病（DKD）的臨床指導方針，旨在協助醫師治療糖尿病及慢性腎病（CKD）患者。這份指導方針更新了腎病術語，並依據KDIGO 2022的建議進行調整。內容涵蓋五大主題，包括篩檢與診斷、代謝控制、血壓管理、治療策略及抗血小板或抗凝治療，並遵循WHO的建議進行系統性回顧與評估。 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

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

西班牙一項大型研究發現，超過22%成年人有慢性腎臟病（CKD），許多是靠尿蛋白（albuminuria）篩檢才發現。即使腎功能指標正常，albuminuria 也能早期揪出 CKD，幫助分級高風險族群，及早給予治療。研究強調，基層診所例行做 albuminuria 篩檢，對早期發現和管理 CKD 很重要。 PubMed DOI

這項西班牙多中心研究發現，KFRE 4變數模型能有效預測晚期慢性腎臟病患者進展到末期腎臟病，準確度（AUC 0.76）優於8變數版本。KFRE適合用來評估西班牙患者的ESRD風險，但在本地應用前還需要部分調整。 PubMed DOI

這項研究用跟PANoptosis有關的基因，開發出一套診斷糖尿病腎病變（DN）的模型。團隊找出六個關鍵基因，並發現DN患者的免疫細胞和對照組有差異。用機器學習後，三個基因（PDK4、YWHAH、PRKX）就能高準確率診斷DN，還找出潛在治療標靶和藥物。這模型不只提升診斷，也幫助了解疾病機制。 PubMed DOI

這項國際研究分析225位C3G或IC-MPGN患者，發現腎功能較差、有副蛋白、間質纖維化嚴重會增加腎臟惡化風險；反之，原發性疾病、白人、C4較低則風險較低。研究也建立了新的預測模型。特別是蛋白尿減少50%且低於1公克/天，和腎臟預後較好有明顯關聯，建議作為治療目標。 PubMed DOI

KFRE公式預測腎衰竭風險，對有無糖尿病的病人都一樣準確，但在75歲以上長者會高估風險。糖尿病不影響KFRE準確度，但年紀大的人預測效果較差。 PubMed DOI