最近在腎臟科學領域的數學建模進展，主要分為機制動態系統和人工智慧/機器學習兩大類。機制模型能清楚表現變數間的因果關係，但開發過程較為複雜；相對的，人工智慧則能從大量數據中找出模式，具備強大的預測能力，但解釋上較為困難。慢性腎臟病（CKD）產生了豐富數據，透過正確的建模方法可有效利用。整合這兩種方法，可能有助於提升病患照護，改善腎臟科學的決策與結果。 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

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

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

這研究用血清Klotho開發並驗證機器學習模型，可預測慢性腎臟病患者的末期腎臟病和心血管疾病。模型在400名患者數據上訓練，表現良好預測ESKD和CVD風險。最佳ESKD模型包括估算腎小球過濾率、血清Klotho等特徵，CVD模型則包括年齡、血清Klotho等特徵。這些模型對CKD患者風險預測有臨床應用價值。 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

這項研究針對自體動靜脈瘻管（AVF）發生血栓的風險，開發並驗證了機器學習模型。研究在哈爾濱醫科大學第二附屬醫院的血液透析中心進行，涵蓋270名患者，時間範圍為2021年3月至2022年12月。結果顯示，105名患者出現AVF血栓，52.6%的AVF患者有長期併發症，血栓最為常見。研究開發了五種機器學習模型，評估結果顯示其預測AVF血栓風險的準確性高，對早期臨床介入有幫助。 PubMed DOI

這項研究的目的是開發和驗證機器學習模型，以預測接受腹膜透析（PD）患者近期的全因死亡和心血管死亡。研究涵蓋7,539名PD患者，並採用5折交叉驗證法進行數據分組。模型利用患者的人口統計、臨床特徵、實驗室結果及透析相關變數進行預測。結果顯示，模型在測試集中的預測能力強，全因死亡的AUROC達0.8767，心血管死亡的AUROC達0.9026，且精確度-召回曲線得分也很高。CVDformer模型在預測PD患者三個月內的死亡方面表現優異，但未來仍需進一步校準。 PubMed DOI

這項研究開發了一個風險模型，利用心電圖（ECG）結果來預測接受血液透析（HD）患者的全因死亡率。研究涵蓋454名患者，期間從2008年到2021年。研究人員透過多變量Cox回歸分析找出關鍵預測因素，如年齡、血清白蛋白、中風病史、心房顫動及QT間期。隨訪三年中，21.5%的患者去世，預測模型的曲線下面積（AUC）達0.83，顯示良好區分能力，並能早期識別高風險患者，提供更安全的治療策略。 PubMed DOI