急性胰腺炎患者若有急性腎損傷，可能會導致ARDS，增加住院時間和死亡風險。研究使用LASSO迴歸和機器學習開發預測模型，可以辨識高風險患者。模型考慮腹內壓、休克、CRP和LDH等因素，訓練組AUC為0.954，驗證組為0.995，預測效果優秀。這些結果有助於醫師辨識高風險患者，改進治療方針。 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

使用機器學習預測急性腎損傷患者從腎臟替代治療成功脫離的研究發現長時間RRT持續、血清半胱氨酸C水平等因素影響成功率。機器學習模型如Random Forest和XGBoost表現準確，XGBoost效果最佳，優於傳統邏輯回歸模型。 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

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