Prediction of intradialytic hypotension using pre-dialysis features-a deep learning-based artificial intelligence model.
使用基於深度學習的人工智慧模型，預測透析期間低血壓的發生，以預測透析前的特徵。 Nephrol Dial Transplant 2023-10-26

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

Real-time prediction of intradialytic hypotension using machine learning and cloud computing infrastructure.
機器學習和雲端運算基礎設施實時預測透析期間低血壓。 Nephrol Dial Transplant 2023-11-16

血液透析患者常見低血壓問題，透析前15-75分鐘可用機器學習預測IDH。模型準確率為0.89，重要因子包括透析前收縮壓、IDH發生率和平均最低收縮壓。實時預測IDH有助於及時干預，但仍需進一步研究確認效果。 PubMed DOI

Predictive Models for Kidney Recovery and Death in Patients Continuing Dialysis as Outpatients after Starting in Hospital.
在院開始透析後繼續門診透析的患者中，腎功能恢復和死亡的預測模型。 Clin J Am Soc Nephrol 2023-08-17

研究人員開發了一個模型，可以預測接受透析的病人在出院後一年內恢復獨立透析或死亡的機率。這個模型考慮了年齡、病情、住院天數、加護病房情況、出院去向，以及出院前的eGFR和尿液白蛋白/肌酸酐比值。經過另一組病人的驗證，發現模型校準良好。這些模型有助於改善門診透析管理，幫助辨識不同風險水平的病人。可以上qxmd.com/calculate/calculator_874使用相關的線上工具。 PubMed DOI

Construction of an Early Alert System for Intradialytic Hypotension before Initiating Hemodialysis Based on Machine Learning.
基於機器學習建立血液透析前早期警報系統，以應對透析期間低血壓。 Kidney Dis (Basel) 2023-10-31

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

Prediction of successful weaning from renal replacement therapy in critically ill patients based on machine learning.
基於機器學習的重症患者腎替代治療成功脫離的預測。 Ren Fail 2024-03-02

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

DERIVATION AND VALIDATION OF A MACHINE LEARNING MODEL FOR THE PREVENTION OF UNPLANNED DIALYSIS.
建立和驗證一個機器學習模型，用於預防非計畫性透析。 Clin J Am Soc Nephrol 2024-05-24

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

A Klotho-Based Machine Learning Model for Prediction of both Kidney and Cardiovascular Outcomes in Chronic Kidney Disease.
基於Klotho的機器學習模型用於預測慢性腎臟病的腎臟和心血管結果。 Kidney Dis (Basel) 2024-06-05

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

A machine learning-based approach for predicting renal function recovery in general ward patients with acute kidney injury.
一種基於機器學習的方法，用於預測一般病房急性腎損傷患者的腎功能恢復。 Kidney Res Clin Pract 2024-06-27

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

Predictive models of sepsis-associated acute kidney injury based on machine learning: a scoping review.
基於機器學習的敗血症相關急性腎損傷預測模型：範疇回顧。 Ren Fail 2024-07-31

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

Construction of Risk Prediction Models for Autogenous Arteriovenous Fistula Thrombosis in Patients on Maintenance Hemodialysis.
維持性血液透析患者自體動靜脈瘻管血栓形成風險預測模型的建構。 Blood Purif 2024-08-01

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

原始文章

站上相關主題文章列表