Prediction of all-cause mortality for chronic kidney disease patients using four models of machine learning.
應用四種機器學習模型預測慢性腎臟病患者的全因死亡率。 Nephrol Dial Transplant 2023-07-03

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

Recent updates in kidney risk prediction modeling: novel approaches and earlier outcomes.
腎臟風險預測建模的最新進展：新方法和早期結果。 Curr Opin Nephrol Hypertens 2023-09-17

腎臟風險預測模型近來有新進展，專注於整合新方法並關注早期結果。機器學習模型顯示在預測腎臟疾病進展上有潛力。也有簡化模型依賴自報數據，但普及性尚不確定。趨勢是預測早期腎臟結果，有助於更廣泛的患者。未來研究應專注將模型應用於臨床實踐並評估長期效果。 PubMed DOI

The promise and reality of machine-learning models in kidney transplantation.
腎移植中機器學習模型的應用前景與現實。 Kidney Int 2023-05-04

Truchot等人的研究發現，傳統的Cox比例風險模型在預測腎移植的移植物存活率方面表現得和機器學習模型一樣好，甚至更好。 PubMed DOI

Machine learning-based 2-year risk prediction tool in immunoglobulin A nephropathy.
免疫球蛋白A腎病的機器學習基礎2年風險預測工具。 Kidney Res Clin Pract 2023-11-03

研究開發了機器學習模型，可預測IgAN患者兩年內快速惡化的風險。模型準確預測腎功能下降或末期腎病，以及蛋白尿改善。分析指出基線蛋白尿是重要特徵。預測風險越高，預後越差。總而言之，這個模型在預測IgAN進展和長期腎臟結果上表現可靠。 PubMed DOI

Interpretable machine learning model integrating clinical and elastosonographic features to detect renal fibrosis in Asian patients with chronic kidney disease.
整合臨床和彈性超聲特徵的可解釋機器學習模型，用於檢測亞洲慢性腎臟病患者的腎纖維化。 J Nephrol 2024-02-05

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

Machine learning algorithm for predict the in-hospital mortality in critically ill patients with congestive heart failure combined with chronic kidney disease.
機器學習演算法用於預測合併慢性腎臟病的充血性心臟衰竭危重病患的住院死亡率。 Ren Fail 2024-02-22

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

Live-donor kidney transplant outcome prediction (L-TOP) using artificial intelligence.
利用人工智慧預測活体腎移植的結果 (L-TOP)。 Nephrol Dial Transplant 2024-04-29

這項研究旨在利用人工智慧（AI）演算法來改善活體腎移植的結果預測。深度Cox混合模型在預測以死亡為終點的移植腎存活率方面表現最佳，相較於現有模型如活體腎捐贈者檔案指數（LKDPI）。這個AI模型可以增進在活體捐贈者選擇上的決策，並有潛力改善配對交換計畫的結果。 PubMed DOI

First experiences with machine learning predictions of accelerated declining eGFR slope of living kidney donors 3 years after donation.
活體腎臟捐贈者捐贈後3年加速性eGFR下降斜率的機器學習預測初步經驗。 J Nephrol 2024-06-05

在捐贈前，活腎捐贈者需接受篩檢評估腎臟疾病風險。研究利用機器學習預測238名捐贈者腎功能下降情況，分為腎功能平均下降和加速下降兩組。經過特徵選擇和重新訓練，隨機森林和極端梯度提升模型表現改善。吸煙和腎小球炎特徵具預測性。重點在於特徵質量比數量更重要。 PubMed DOI

A machine learning-based approach for predicting renal function recovery in general ward patients with acute kidney injury.
一種基於機器學習的方法，用於預測一般病房急性腎損傷患者的腎功能恢復。 Kidney Res Clin Pract 2024-06-27

研究使用機器學習預測AKI患者腎功能恢復，分析兩家醫院350,345例病例。模型準確，找出影響恢復的關鍵因素。研究提供預測AKI患者腎功能恢復的見解，但仍需改進和擴充數據集。 PubMed DOI

Predicting graft survival in paediatric kidney transplant recipients using machine learning.
使用機器學習預測兒童腎臟移植受者的移植物存活率。 Pediatr Nephrol 2024-08-16

這項研究探討影響小兒腎臟移植存活的因素，並運用機器學習技術分析1994至2021年間465名小兒患者的數據。研究發現，56.7%的患者為男性，平均年齡12.08歲，73.1%的移植來自活體捐贈者。機器學習模型顯示，抗體介導的排斥反應及腎小管過濾率等因素對移植物存活影響重大。邏輯回歸和SVM模型的準確率高達96.5%。結論指出，機器學習可助於識別關鍵因素，未來可改善小兒腎臟移植的結果。 PubMed DOI

原始文章

站上相關主題文章列表