這研究用血清Klotho開發並驗證機器學習模型，可預測慢性腎臟病患者的末期腎臟病和心血管疾病。模型在400名患者數據上訓練，表現良好預測ESKD和CVD風險。最佳ESKD模型包括估算腎小球過濾率、血清Klotho等特徵，CVD模型則包括年齡、血清Klotho等特徵。這些模型對CKD患者風險預測有臨床應用價值。 PubMed DOI

機器學習新模型能準確預測CKD患者未來6-12個月可能發展為腎衰竭，並在加拿大安大略省驗證成功。應用此模型可降低非計畫性透析率，改善CKD到腎衰竭的過渡。需進一步研究有效運用此模型。 PubMed DOI

在改善腎臟護理方面，早期識別患有逐漸進展性慢性腎臟疾病（CKD）風險的患者至關重要。這篇評論討論了四個新開發的模型：其中兩個預測新發疾病的風險，另外兩個則在疾病過程的早期預測進展。這些模型使用超出估計腎小球過濾率的數據，以提高準確性和個性化。一些模型按糖尿病狀況進行分層，而其他模型則面向患者或使用機器學習。外部驗證顯示高判別力和校準性，使其適合於臨床應用。在初級護理設置中實施這些模型可以通過預防和減緩進展來減輕CKD的疾病負擔、成本和環境影響。 PubMed DOI

利用機器學習演算法分析CKD患者的腎臟纖維化程度，XGBoost模型表現優異，AUC達0.97。SHAP方法有助於解釋模型輸出，顯示腎小球過濾率對預測影響最大。這有助於臨床醫生制定CKD患者的治療策略。 PubMed DOI

在上海進行研究，預測60歲以上人群未來3年患慢性腎臟疾病的可能性。通過隨機叢集抽樣選擇參與者，確定了9個與CKD相關的預測因子，建立預測模型。經評估後發現模型對於預測CKD風險有效，有助於降低發生率。 PubMed DOI

研究探討CKD第一期風險因素，有助臨床決策。分析300名患者，發現高血壓、糖尿病和尿白蛋白是疾病進展關鍵。預測模型表現良好，可協助制定個人化治療方案。 PubMed DOI

管理慢性腎臟疾病（CKD）時，使用風險預測對於做出及時決策至關重要。各種預後模型已開發用於評估CKD患者腎功能衰竭風險，但仍有改進空間。準確的預後可帶來重大臨床和心理益處，並有機會預防腎功能衰竭及減緩CKD風險。 PubMed DOI

開發並驗證了一個新的簡單而有效的預後模型，用於預測慢性腎臟疾病（CKD）患者的心腎事件和死亡率。該模型基於四個關鍵變數（NT-proBNP、hs-cTnT、尿白蛋白、和eGFR），對各種結果有良好的區分度，並優於現有的模型。 PubMed DOI

慢性腎臟疾病常見且嚴重，腎臟科醫師在治療中至關重要，特別要關注高風險患者。預測模型可幫助辨識高風險患者，若能有效運用在臨床上，對患者護理很有幫助。早期發現CKD很重要，預測模型可指導護理。對於進展期CKD，風險評估工具可協助決策。透析後結果模型可支援共同決策。為了廣泛應用，這些工具應適用不同醫療環境，並易整合現有工作流程。 PubMed DOI

CKD患者易罹患CVD，但現有預測模型對他們不夠準確。2012-2021年的研究發現134個相關研究，多著重於添加預測因子至現有模型，少有新模型開發。研究方法常有缺陷，需改進報告與驗證。合作努力加強現有模型並評估臨床影響。 PubMed DOI

研究團隊開發了一個新工具，可以預測CKD第4或第5期患者的2年全因死亡率，因為現有工具對這些高風險人群不夠準確。研究比較了四個模型，發現貝葉斯網絡和邏輯回歸表現最好。最後選擇了貝葉斯網絡模型並進行了優化。經過優化後，這個工具成功預測了CKD患者的2年死亡率。想使用這個工具的話可以點擊提供的連結，但需要進行外部驗證。 PubMed DOI