原始文章

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


站上相關主題文章列表

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

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

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

人工智慧,特別是機器學習,在預測敗血症相關的急性腎損傷(AKI)方面展現潛力。2023年4月28日的系統性回顧分析了2898篇文獻,最終選出25篇相關研究。結果顯示,邏輯回歸和極端梯度提升是最常用的演算法,預測模型主要分為早期識別、預後預測和亞型識別。關鍵因子包括血清肌酸酐、乳酸、年齡等。然而,研究質量普遍較低,需改善臨床效用評估及增強模型實用性。 PubMed DOI

這項研究探討如何利用機器學習模型預測急性胰臟炎相關的急性腎損傷病患的住院死亡率。研究者開發並驗證了這些模型,並與傳統的邏輯回歸進行比較。研究涵蓋1,089名來自MIMIC-IV和eICU的病患,以及176名來自湘雅醫院的病患進行外部驗證。結果顯示,XGBoost模型在訓練組中表現最佳,AUC達0.941,顯著優於其他模型。雖然在外部驗證組中表現稍遜,但仍需進一步研究以確認其普遍性。 PubMed DOI

這項研究針對慢性腎病(CKD)患者在接受冠狀動脈手術後的急性腎損傷(PC-AKI)進行預測。研究團隊在2015至2021年間招募了989名CKD患者,發現12.6%出現PC-AKI。他們使用隨機森林算法和六個機器學習模型進行比較,結果顯示深度神經網絡(DNN)模型表現最佳,術前變數的AUROC為0.733,術中變數則為0.770,超越傳統Mehran評分(AUROC 0.631)。此外,研究還利用SHAP方法提升模型可解釋性,並開發網頁工具協助醫生評估PC-AKI風險,顯示出良好的臨床應用潛力。 PubMed DOI

這項研究回顧了人工智慧(AI)和機器學習(ML)在預測住院病人急性腎損傷(AKI)的表現。共分析了4,816篇文章,最終納入95篇,涵蓋380萬次住院紀錄。最常用的AKI定義是KDIGO-AKI標準。識別出302個預測模型,以邏輯回歸模型最為普遍。預測AKI的關鍵因素包括年齡、性別、糖尿病等。預測模型的AUC顯示出潛力,但臨床應用仍面臨挑戰,因為研究間存在顯著異質性和偏差風險。 PubMed DOI