研究團隊開發了一個工具，可以預測慢性腎臟疾病（CKD）兒童何時需要進行腎臟替代治療（KRT），使用常見臨床變數。他們分析了CKiD研究中890名兒童的172個變數，包括診斷、腎功能、蛋白尿、血壓、貧血等。研究已經驗證模型，並建立了一個臨床線上計算器，但仍需進一步確認模型的準確性。 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

這項研究利用兩家醫院數據開發預測模型，可預測透析患者全因死亡率。模型識別了9個關鍵因素，包括年齡、BMI、疾病史等，表現良好。該模型提供臨床評估透析患者死亡風險的價值。 PubMed DOI

進行了一項研究，旨在開發預測模型，用於預測接受維持性血液透析（MHD）治療的患者的近期死亡率和長期存活率。該研究包括了超過11年的42000多名患者的數據，發現預測長期存活率的模型表現優於預測近期死亡率的模型。這些模型取得了良好的準確性和校準度指標，有潛力在臨床實踐中應用，以支持MHD患者的護理決策。目前對MHD患者的預測建模並不常見，但這樣的工具可以幫助改善個體化護理計劃和共同決策。 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

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

開發了一個新的預測模型，使用貝葉斯網絡和14個預測因子，來預測血液透析患者的2年死亡率。該模型在新發和慢性患者中進行了外部驗證，在新發患者中表現良好，但在慢性患者中敏感性較低。 PubMed DOI

這項研究針對免疫球蛋白A腎病（IgAN）患者，特別是慢性腎病（CKD）第3或第4期且有顯著蛋白尿的情況，開發了一個預後模型。研究分析了263名患者，隨訪平均57.3個月，發現腎小球過濾率（eGFR）較低和蛋白尿較高的患者，末期腎病（ESKD）風險增加。使用隨機生存森林（RSF）等多種技術，RSF模型的預測性能最佳，顯示出七個重要風險因素，並有效預測IgAN患者的病程進展。 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

這項研究開發了一個風險模型，利用心電圖（ECG）結果來預測接受血液透析（HD）患者的全因死亡率。研究涵蓋454名患者，期間從2008年到2021年。研究人員透過多變量Cox回歸分析找出關鍵預測因素，如年齡、血清白蛋白、中風病史、心房顫動及QT間期。隨訪三年中，21.5%的患者去世，預測模型的曲線下面積（AUC）達0.83，顯示良好區分能力，並能早期識別高風險患者，提供更安全的治療策略。 PubMed DOI