研究中開發了一個基於深度學習的AI模型，利用透析前的特徵預測透析期低血壓。相較於傳統模型，這個AI模型表現更優。常見預測特徵包括前次會話的平均收縮壓、超濾速率、透析前收縮壓，以及先前IDH經驗。這個AI模型準確可靠，可用於預測透析期間的IDH。 PubMed DOI

透析過程中常見低血壓，可用人工智慧模型預測。模型基於XGBoost算法，可預測透析期低血壓發生情況，並識別風險因素。這些模型利用超過120萬次透析會話數據，發生率為10.07%，表現良好。可幫助個人化干預，預防和管理低血壓。 PubMed DOI

研究發現，血液透析患者的動靜脈瘻管（AVF）存活與UCR水平及暫時性中心靜脈導管插管時間有關。女性患者中，UCR高且暫時導管插管時間長者，AVF存活率較低。建議利用UCR預測AVF存活，並早期拔除暫時導管以改善結果。 PubMed DOI

已開發並驗證了一個預測模型，用於評估接受維持性血液透析（MHD）治療的患者發生全因死亡或心臟衰竭住院的風險。該模型包括年齡、白蛋白水平、病史、藥物治療和心臟參數等因素。它顯示出良好的準確性和校準性，有助於識別高風險患者，進行有針對性的干預和追蹤。 PubMed DOI

研究旨在辨識透析期間低血壓的風險因素，並利用人工智慧開發早期警示系統。分析30萬次透析數據，識別19個預測因素，並使用機器學習演算法建立預測模型。最佳表現為隨機森林、梯度提升和邏輯回歸。該系統可預測IDH，提供風險患者干預。 PubMed DOI

研究發現許多患者在血液透析初期使用導管，原因是對永久通路建立時機不確定。研究300名患者後發現，血清磷、糖尿病性腎病變和半胱氨酸蛋白酶C等因素與開始透析時間有關。半胱氨酸蛋白酶C有預測價值，整體模型效果更佳，可幫助個別規劃動脈靜脈瘻手術。 PubMed DOI

研究利用機器學習預測腹膜透析患者風險，發現隨機森林和XGBoost是最佳模型。腎臟疾病、血壓、年齡與心臟衰竭相關，年齡、膽固醇、腎功能與死亡風險相關。機器學習優於Cox回歸，可提供臨床參考。 PubMed DOI

研究發現腎移植患者若有血液透析動靜脈瘻（AVF），則較容易發展新發心臟衰竭。除AVF外，透析時間、年齡、性別、糖尿病等因素也影響心臟健康。AVF可能增加心血管風險，需注意。結論指出，腎移植後的AVF可能是導致心臟問題的風險因素。 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

這項研究針對接受持續性腎臟替代療法（CRRT）且未使用抗凝劑的患者，預測電路凝固的風險，特別是對有出血風險的患者。研究分析了212名患者的數據，並根據CRRT開始後24小時內的凝固事件分為高風險和低風險組。使用八種機器學習方法，集成學習模型的預測性能最佳，AUC達0.863，隨機森林模型則為0.819。關鍵因素包括血小板計數、過濾分數和三酸甘油脂。研究顯示，這模型可協助醫生制定個性化治療策略，改善患者結果並降低醫療成本。 PubMed DOI