EUVIMEDEUVIMED entdecken
Systematische ÜbersichtOpen Access · CC BY 4.0

Performance of machine learning models for CKD progression and kidney failure: a systematic review

Leistung von Machine-Learning-Modellen für CKD-Progression und Nierenversagen: systematische Übersicht

Louise Aubiniere-Robb, Joshua Tandy, Bhautesh Dinesh Jani, Jennifer S Lees, Jesse Dawson

Clinical Kidney Journal · 31.10.2026

DOI: 10.1093/ckj/sfag384 ↗

Auf einen Blick

52 Studien zeigen für ML-Modelle zur Vorhersage von CKD-Progression und Nierenversagen meist eine gute Diskrimination. Externe Validierung und Kalibrierung wurden jedoch nur in wenigen Studien berichtet.

Fragestellung

Wie gut prognostizieren ML-Modelle CKD-Progression, Nierenversagen oder Nierenersatztherapie mit Routinedaten, und wie belastbar sind sie methodisch?

Methode

Systematische Übersicht nach PRISMA; Suche in Ovid MEDLINE, Embase und CINAHL ab Datenbankbeginn; Bewertung des Verzerrungsrisikos mit PROBAST.

Ergebnisse

52 Studien. 37/52 berichteten AUROC- oder Konkordanzwerte ≥ 0,80. Externe Validierung und Kalibrierung wurden jeweils in 19/52 Studien berichtet; 41/52 hatten ein hohes ROB.

Einschränkungen

Heterogenität bei Kohortendesign, Endpunkten, Vorhersagehorizonten und Validierungsmethodik; Umgang mit Proteinurie, Missing Data und Workflows inkonsistent.

Schlussfolgerung der Autor:innen

ML-Modelle zeigen über verschiedene Nierenoutcomes hinweg eine günstige Diskrimination. Geringe externe Validierung, uneinheitliche Kalibrierung und methodische Heterogenität begrenzen die klinische Implementierung.

Kernaussagen

  • 37/52 Studien mit AUROC/Konkordanz ≥ 0,80
  • Externe Validierung und Kalibrierung jeweils in 19/52 Studien
  • 41/52 Studien mit hohem ROB

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Systematische Übersicht in der Zeitschrift Clinical Kidney Journal, online erschienen am 31.10.2026. Verfasst von Louise Aubiniere-Robb und 4 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background

Machine learning (ML) is increasingly applied to predicting chronic kidney disease (CKD) progression and kidney failure using routinely collected healthcare data, but the methodological quality and clinical applicability of these models remain uncertain. We hypothesised that ML models would show strong discrimination but be limited by inadequate external validation, inconsistent calibration, and high risk of bias (ROB), restricting clinical implementation.

Methods

We conducted a systematic review according to PRISMA guidance. Ovid MEDLINE, Embase, and CINAHL were searched from inception for studies evaluating ML models predicting CKD progression, kidney failure, or kidney replacement therapy using routinely collected healthcare data. Studies were synthesised by modelling framework, and ROB was assessed using PROBAST.

Results

Fifty-two studies were included. ML models demonstrated favourable discrimination, with 37/52 studies reporting AUROC or concordance estimates ≥ 0.80. Where directly comparable, gains over conventional statistical models and established risk scores, including the Kidney Failure Risk Equation (KFRE), were often modest. External validation and calibration assessment were each reported in 19/52 studies, while 41/52 studies were at high ROB. Kidney function, proteinuria-related variables, and age were the most influential predictors. Substantial heterogeneity was observed in cohort design, outcomes, prediction horizons, and validation methodology. Inconsistent handling of proteinuria, missing data, and model-development workflows further limited assessment of transportability and real-world applicability.

Conclusions

ML models for CKD prognostic prediction demonstrate favourable discrimination across kidney outcomes. However, limited external validation, inconsistent calibration, and methodological heterogeneity restrict clinical implementation. Future progress requires rigorous validation, transparent methodology, and demonstration of real-world clinical utility.

Zitieren

APA

Aubiniere-Robb, L., Tandy, J., Jani, B. D., Lees, J. S., & Dawson, J. (2026). Performance of machine learning models for CKD progression and kidney failure: a systematic review. Clinical Kidney Journal. https://doi.org/10.1093/ckj/sfag384

Vancouver

Aubiniere-Robb L, Tandy J, Jani BD, Lees JS, Dawson J. Performance of machine learning models for CKD progression and kidney failure: a systematic review. Clinical Kidney Journal. 2026. doi:10.1093/ckj/sfag384

BibTeX
@article{AubiniereRobb2026,
  author = {Aubiniere-Robb, Louise and Tandy, Joshua and Jani, Bhautesh Dinesh and Lees, Jennifer S and Dawson, Jesse},
  title = {Performance of machine learning models for CKD progression and kidney failure: a systematic review},
  journal = {Clinical Kidney Journal},
  year = {2026},
  doi = {10.1093/ckj/sfag384}
}
Kostenlos starten →