原始文章

一項研究驗證了一個基於機器學習的工具,用於預測慢性腎臟病(CKD)第4或第5期患者的2年全因死亡率。當應用到獨立數據集時,這個工具在準確性、敏感性和特異性方面表現出令人滿意的性能。該研究建議,這個預測工具可能有助於改善CKD患者的個別臨床結果。 PubMed DOI


站上相關主題文章列表

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

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

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

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

這項研究探討術後急性腎損傷(PO-AKI)與長期死亡風險的關聯,並運用先進的機器學習方法提升預測準確性。研究分析了199,403名患者的數據,發現PO-AKI患者的生存率顯著低於未發展此病的患者。使用XGBoost模型的預測準確性最高,顯示機器學習技術在預測PO-AKI後的死亡率上具有潛力,能幫助改善臨床干預和患者結果。 PubMed DOI