基於臨床數據與機器學習的膜性腎絲球腎病變預測模型

腎病症候群（Nephrotic Syndrome, NS）是一組以大量蛋白尿、低蛋白血症及水腫為特徵的臨床綜合徵，其中膜性腎絲球腎病變（Membranous Glomerular Nephropathy, MGN）是成人NS的主要病因之一，約佔20%-30%。由於腎臟活檢的侵入性診斷方式可能導致風險，非侵入性工具成為臨床迫切需求。本研究利用機器學習技術結合臨床數據構建MGN預測模型，提升診斷效率並減少患者負擔。研究數據涵蓋76項臨床檢驗指標，包括血清白蛋白、尿素氮及血脂數據等，採用隨機森林（Random Forest）、極限梯度提升（XGBoost）等五種演算法建模。結果顯示，Random Forest表現最佳，ROC曲線下面積（AUC）達0.94，靈敏度88.7%，特異性91.3%，準確率90.2%，並指出血清白蛋白與尿素氮為關鍵因子。XGBoost表現次之，其餘模型如邏輯迴歸和支持向量機（SVM）效能中等。本研究證實，基於機器學習的模型在MGN非侵入性診斷中具備潛力，尤其隨機森林效能卓越，為實際應用提供重要參考。特徵重要性分析進一步為精準醫療提供直觀依據。本研究開拓了腎病診斷新方向，並為多模態數據結合研究奠定基礎。