這項研究用AI分析95位接受CKRT的重症新生兒和嬰兒，發現尿量少、肌酸酐上升多、延遲治療和低血壓會提高住院死亡風險（死亡率47.3%）。存活者中有三成出院時有蛋白尿，和高肌酸酐及原發性腎病有關。AI模型有助於找出影響短期預後的關鍵因素。 PubMed DOI

這項研究用DARWIN-Renal資料，開發並比較四種機器學習模型來預測第二型糖尿病患者腎功能惡化風險。結果發現，納入病患過去的就診紀錄後，預測準確度明顯提升，尤其是循環神經網路表現最好。這說明利用病患的長期資料，有助於及早找出高風險族群。 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

這項研究用機器學習模型（特別是 LGBM）來預測有營養不良風險患者的急性腎臟疾病、急性腎損傷和死亡率，效果不錯，也找出重要風險因子。團隊還開發了 AI 網頁工具，幫助醫師早期介入治療。未來會持續優化並擴大這些工具的應用。 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

這項研究探討急性腎損傷（AKI）、急性腎病（AKD）與慢性阻塞性肺病（COPD）患者的死亡率關聯。研究分析了2,829名住院病人的數據，使用八種機器學習演算法進行預測。結果顯示，AKI發生率為13.71%，AKD為15.11%，整體死亡率為4.84%。LightGBM演算法表現最佳，對AKI、AKD及死亡率的預測準確度分別為0.815、0.827及0.934。研究強調腎功能變化在預測死亡率中的重要性，並開發了網頁應用程式以協助識別高風險患者，改善預後。 PubMed DOI

慢性腎臟病（CKD）是一個常見的健康問題，對死亡率影響大，且與病人結果不佳及高醫療費用有關。照護中常有與指引不符的情況，可能導致CKD惡化、住院增加及死亡率上升，特別是受到種族和社經差異影響。 為了解決這些問題，利用電子健康紀錄的結構化人口健康管理策略能提升CKD照護品質，改善病人結果。我們在匹茲堡大學醫療中心已實施涵蓋CKD的腎臟科人口健康計畫，並探討未來更個人化醫療的可能性。 PubMed DOI

這項研究針對慢性腎病（CKD）患者在接受冠狀動脈手術後的急性腎損傷（PC-AKI）進行預測。研究團隊在2015至2021年間招募了989名CKD患者，發現12.6%出現PC-AKI。他們使用隨機森林算法和六個機器學習模型進行比較，結果顯示深度神經網絡（DNN）模型表現最佳，術前變數的AUROC為0.733，術中變數則為0.770，超越傳統Mehran評分（AUROC 0.631）。此外，研究還利用SHAP方法提升模型可解釋性，並開發網頁工具協助醫生評估PC-AKI風險，顯示出良好的臨床應用潛力。 PubMed DOI

這項研究的目的是開發和驗證機器學習模型，以預測接受腹膜透析（PD）患者近期的全因死亡和心血管死亡。研究涵蓋7,539名PD患者，並採用5折交叉驗證法進行數據分組。模型利用患者的人口統計、臨床特徵、實驗室結果及透析相關變數進行預測。結果顯示，模型在測試集中的預測能力強，全因死亡的AUROC達0.8767，心血管死亡的AUROC達0.9026，且精確度-召回曲線得分也很高。CVDformer模型在預測PD患者三個月內的死亡方面表現優異，但未來仍需進一步校準。 PubMed DOI

這項研究探討傳統統計模型在評估環境化學物質對腎臟健康影響的限制，並使用先進方法預測慢性腎臟病（CKD）風險。研究人員分析韓國國家環境健康調查中的成年人數據，應用多種機器學習模型，如隨機森林等，與傳統邏輯回歸比較。結果顯示，決策樹算法在預測CKD風險上表現更佳，特別是多氯聯苯153（PCB153）被認為是中年人CKD的強預測因子。研究強調持久性有機污染物對健康的重要性。 PubMed DOI

這項前瞻性觀察研究針對270名病人進行，最終260名完成研究。研究涵蓋慢性腎病、慢性肝病、結核病、癡呆症和心臟病等慢性疾病，並開發了三個機器學習模型。結果顯示，隨機森林模型在預測CKD和心臟病方面表現最佳，準確率分別為85.3%和88.2%。此外，邏輯回歸在預測TB和癡呆症上也有不錯的表現。研究強調機器學習在慢性疾病預測中的潛力，並建議未來進行多中心研究以驗證結果。 PubMed DOI