機器學習是人工智慧的一個分支，通過數學算法訓練電腦來預測或識別數據中的模式。在重症護理領域，機器學習有著重要的潛力，特別是在預測急性腎損傷等結果、提供預後、建議管理策略，以及推進我們對疾病的理解。這篇評論涵蓋了基本的機器學習概念和這些領域的最新研究。 PubMed DOI

在腎臟學領域，AI技術被用來預測住院型急性腎損傷（AKI），提升患者檢測。從傳統模型到現代AI方法，AKI風險預測不斷演進。雖然AI在AKI檢測方面有改進，但在臨床實踐和患者結果方面仍缺乏數據。AI在AKI護理的應用仍在初階階段，該評論總結了現有進展和未來潛力。 PubMed DOI

小朋友和新生寶寶若罹患急性腎損傷，影響嚴重，需重視預防和及時治療。人工智慧和機器學習已協助早期偵測AKI，如XGBoost、邏輯回歸和風險評分等模型成功預測AKI。"Baby NINJA"模型降低新生兒AKI風險，"STARZ"則準確預測NICU患者AKI。結合AI和生物標記物或許提升預測能力。 PubMed DOI

急性腎損傷（AKI）在鐮狀細胞疾病患者中常見，使用機器學習模型預測AKI發作，準確率高。研究顯示，女性及特定病史患者更容易罹患AKI。這模型可協助制定預防策略。 PubMed DOI

研究開發了機器學習模型，可預測兒童心臟手術後可能出現中至重度急性腎損傷。模型利用病人數據預測手術後第2天的腎損傷情況，表現優異。重要預測因子包括術前肌酐值和手術時間。研究顯示機器學習可改善結果，指導臨床決策，對兒童心臟手術有潛在幫助。 PubMed DOI

這項研究使用機器學習來開發早期檢測嚴重急性胰腺炎患者急性腎損傷（AKI）的模型。表現最佳的模型是梯度提升機（GBM），在模型建構期間的曲線下面積（AUC）為0.814，在測試集中為0.867。GBM模型的精確度可以幫助臨床醫師識別高風險患者，並及時干預，以降低危重病房中的死亡率。 PubMed DOI

研究利用機器學習預測SA-AKI患者在醫院內的死亡率，使用MIMIC-IV數據庫，並開發了隨機森林模型。通過特徵選擇和交叉驗證，確定了11個影響死亡風險的變數。該模型在預測死亡率方面表現良好，對ICU中SA-AKI患者的醫院內死亡率有潛力。 PubMed DOI

已研發出運用機器學習演算法的人工智慧模型，可預測急性腎損傷（AKI）患者的住院死亡率。綜合評估後發現，廣泛學習系統（BLS）和彈性網絡最終（ENF）模型預測效果最佳，而臨床模型（PCM）表現較差。PCM模型負預測值最高，可用於排除規則。總體而言，BLS和ENF模型與其他模型同樣有效，但仍需進一步研究確認。 PubMed DOI

敗血症引起急性腎損傷（SA-AKI）是危重病患常見併發症，增加死亡率和醫療成本。傳統方法預測SA-AKI效果參差，因此引起對使用人工智慧（AI）和機器學習（ML）進行更準確預測的興趣。像XGBoost和RNN-LSTM等ML模型在預測SA-AKI和死亡方面表現優異，超越傳統風險評估。AI/ML可量身訂製護理、優化治療，改善SA-AKI患者結果。然而，需克服數據隱私和監管合規挑戰。AI/ML可提早檢測風險、個人化管理，應對SA-AKI。未來發展包括實時監測和預測演算法，以便及時介入，但成功實施需持續改進模型和監管監督。本文探討AI/ML如何改革SA-AKI護理。 PubMed DOI

急性腎損傷（AKI）是一種複雜的病症，近期人工智慧的進展有助於識別AKI的亞表型，從而改善治療方案和預測結果。針對2017至2022年的研究進行系統性文獻回顧，發現不同人群的亞表型識別存在顯著差異。所有研究均使用臨床數據進行患者分組，並探討合併症及實驗室結果的影響。雖然亞表型與死亡率及腎臟恢復的關聯性各異，但識別這些亞表型能幫助醫生更好地管理患者。未來研究應在更大且多樣化的人群中驗證這些結果，以提升臨床應用的相關性。 PubMed DOI