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

透析過程中常見低血壓，可用人工智慧模型預測。模型基於XGBoost算法，可預測透析期低血壓發生情況，並識別風險因素。這些模型利用超過120萬次透析會話數據，發生率為10.07%，表現良好。可幫助個人化干預，預防和管理低血壓。 PubMed DOI

已開發並驗證了一個預測模型，用於評估接受維持性血液透析（MHD）治療的患者發生全因死亡或心臟衰竭住院的風險。該模型包括年齡、白蛋白水平、病史、藥物治療和心臟參數等因素。它顯示出良好的準確性和校準性，有助於識別高風險患者，進行有針對性的干預和追蹤。 PubMed DOI

研究發現70歲以上開始血液透析的老年患者死亡率高，建立風險評分模型可預測死亡率，尤其對80歲以上患者有效。透析適合70-80歲患者，風險評分可預測80歲以上患者死亡率。 PubMed DOI

這項研究利用兩家醫院數據開發預測模型，可預測透析患者全因死亡率。模型識別了9個關鍵因素，包括年齡、BMI、疾病史等，表現良好。該模型提供臨床評估透析患者死亡風險的價值。 PubMed DOI

研究改進了預測血液透析患者低血壓風險的模型，提高了準確性和適用性，有助於臨床決策。 PubMed DOI

進行了一項研究，旨在開發預測模型，用於預測接受維持性血液透析（MHD）治療的患者的近期死亡率和長期存活率。該研究包括了超過11年的42000多名患者的數據，發現預測長期存活率的模型表現優於預測近期死亡率的模型。這些模型取得了良好的準確性和校準度指標，有潛力在臨床實踐中應用，以支持MHD患者的護理決策。目前對MHD患者的預測建模並不常見，但這樣的工具可以幫助改善個體化護理計劃和共同決策。 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

這項研究針對接受持續性腎臟替代療法（CRRT）且未使用抗凝劑的患者，預測電路凝固的風險，特別是對有出血風險的患者。研究分析了212名患者的數據，並根據CRRT開始後24小時內的凝固事件分為高風險和低風險組。使用八種機器學習方法，集成學習模型的預測性能最佳，AUC達0.863，隨機森林模型則為0.819。關鍵因素包括血小板計數、過濾分數和三酸甘油脂。研究顯示，這模型可協助醫生制定個性化治療策略，改善患者結果並降低醫療成本。 PubMed DOI