原始文章

這項研究中,研究人員針對急診病人開發了一個預測急性腎損傷(SA-AKI)風險的標準圖。他們分析了391名敗血症病人的數據,分為訓練和驗證兩組,並建立了三個預測模型,最終選擇了包含最少指標的模型3。關鍵因素包括使用血管收縮劑、年齡、血小板計數等。模型顯示高準確性,並在預測30天生存率及重大腎事件方面也具有效性,對急診醫生預防SA-AKI相當有幫助。 PubMed DOI


站上相關主題文章列表

這項研究旨在利用上海的敗血症患者數據建立一個預測模型,用於預測與敗血症相關的急性腎損傷(SA-AKI)。這個模型包括五個指標,展現出良好的預測表現,並在內部和外部驗證組中展現出臨床應用價值。所開發的圖表模型可以幫助識別有SA-AKI風險的患者,以便進行更好的臨床管理。 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

研究發現在急性腎損傷患者中,特別是敗血症相關的病例,presepsin可能有預測死亡率的價值。雖然整體預測效果比其他評分系統差,但在敗血症相關的病例中有潛力。在這些病例中,presepsin水平可獨立預測28天死亡率,顯示可能對敗血症相關急性腎損傷患者的預後有幫助。 PubMed DOI

新的預測模型U-AKIpredTM能夠在12小時內預測危重病患中的急性腎損傷(AKI),結合了三個關鍵生物標誌,顯示出比其他生物標誌更好的預測表現。模型在訓練集和驗證集中表現準確,並創建了基於預測性能最佳化的等高線圖。U-AKIpredTM在預測AKI和嚴重AKI方面優於NephroCheck®,是危重病房中識別高風險AKI患者的重要工具。 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

這項研究針對尿路結石患者的急性腎損傷(AKI)風險因素進行調查,並建立早期檢測AKI的預測模型。研究分析了1,016名急診患者,發現18.7%發展為AKI。透過多因素邏輯回歸,識別出年齡、發燒、糖尿病等獨立風險因素。預測模型的ROC曲線下面積(AUC)為0.818,顯示良好表現,並具臨床實用性,能幫助醫生識別高風險患者,改善預後。 PubMed DOI

最近甘肅省醫院進行了一項研究,調查急性胰臟炎患者在30天內發生重大不良腎事件的風險因素。研究納入391名患者,分為無MAKE30的320名和有MAKE30的71名。透過邏輯回歸分析,識別出性別、呼吸頻率、肌酸酐、白介素6等獨立風險因素。研究團隊開發的列線圖顯示出良好的預測能力(AUC = 0.842),超過傳統SOFA評分,並在不同病因中均有效,為急性胰臟炎患者的風險評估提供了新工具。 PubMed DOI

急性疾病品質倡議(ADQI)工作小組已定義敗血症相關的急性腎損傷(SA-AKI),但對早期和晚期SA-AKI的預後及風險因素尚缺乏深入研究。一項利用MIMIC-IV數據庫的回顧性研究發現,早期SA-AKI患者在腎臟恢復、住院及重症監護病房時間上表現較好,且死亡率相似。雖然早期患者使用腎毒性藥物比例較高,但他們的腎臟恢復情況更佳。未來需進一步探討這兩種SA-AKI的臨床結果及潛在機制。 PubMed DOI

急性腎損傷(AKI)在住院兒童中常見,因此開發可靠的預測模型來評估AKI後的結果非常重要。本研究分析了來自中國兩家兒童醫院的8,205名AKI住院兒童,主要評估住院死亡率及28天內需透析的情況。研究使用遺傳算法選擇特徵,並採用隨機森林模型進行預測,結果顯示該模型在預測住院死亡率的AUROC達0.854,透析需求的AUROC更高達0.889,且表現優於傳統的兒童重症疾病評分,顯示出良好的臨床應用潛力。 PubMed DOI

急性腎損傷(AKI)在重症監護病房(ICU)病人中很常見,且與高 morbidity 和 mortality 相關。因為目前沒有針對 AKI 的特效藥,持續性腎臟替代療法(CRRT)成為主要治療。本研究建立並驗證了一個預測重症 AKI 病人在接受 CRRT 後 90 天死亡率的模型。研究分析了1121名病人的數據,並利用Cox比例風險回歸開發了預測模型,包含七個預測因子。模型在訓練組和驗證組中表現良好,能有效識別高風險患者。 PubMed DOI