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

免疫球蛋白A腎病（IgAN）是末期腎病的重要原因。研究人員分析了來自韓國九家醫院的4,425名IgAN患者數據，開發了幾個基於機器學習的預測模型，以預測末期腎病或腎小球過濾率。這些模型的表現透過曲線下面積（AUC）評估，並與國際IgA腎病預測工具（IIgAN-PT）比較。結果顯示，IIgAN-PT在預測5年結果方面表現優異，AUC達0.896，而基於機器學習的模型AUC範圍為0.823到0.847，雖然有效，但未超越IIgAN-PT的預測能力。 PubMed DOI

本研究建立並驗證了一個網路預測圖，旨在預測接受健康檢查者在四年內發展為慢性腎臟病（CKD）的風險。研究涵蓋兩個健康檢查中心，共9667名參與者，分析了十六個預測因子。結果顯示，年齡、糖尿病病史、收縮壓等是關鍵因子。預測圖在訓練和驗證隊列中均顯示出良好的區分能力，AUC值分別為0.8806、0.8506和0.9183。此外，還開發了網路計算器，方便醫療提供者在臨床上評估CKD風險。 PubMed DOI

這項研究針對老年人新發慢性腎病（CKD）建立了一個簡單的風險預測模型，因為腎功能惡化對這群人來說是一大健康問題。研究包含5,416名65歲以上的參與者，透過多變量Cox回歸分析找出主要預測因子，如年齡、性別、糖尿病等。模型表現良好，兩年、三年和四年的一致性指數分別為0.802，AUC值也相當高。這個模型能有效識別CKD風險，幫助基層醫療進行及時干預。 PubMed DOI

這項研究利用機器學習技術，為活體腎臟捐贈者的捐贈後腎功能建立預測模型。研究對象為2009至2020年間的823名捐贈者，目的是準確預測腎切除術後一年內的腎小管過濾率（eGFR）。結果顯示，捐贈前的eGFR平均為101.3 mL/min/1.73 m²，捐贈後下降至68.8 mL/min/1.73 m²。XGBoost模型表現最佳，開發的網頁應用程式「腎臟捐贈與腎臟智慧」（KDN）可供醫療提供者使用，提升活體腎臟捐贈的效率。 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

研究使用5041名患者數據，建立了預測心臟衰竭和腎臟疾病患者在醫院內死亡率的XGBoost模型，AUC為0.837。重要變數包括器官功能衰竭評分、年齡、急性生理評分和尿液輸出量。該模型經成功開發並驗證。 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

研究指出，透過深度學習系統測量視網膜血管直徑，可幫助預測慢性腎臟病患者心血管疾病風險。視網膜動脈狹窄和腎小球過濾率是獨立影響心血管疾病的因素。將這些特徵納入心血管風險評估，有助提升亞洲慢性腎臟病患者的風險預測能力。 PubMed DOI