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

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

本研究探討CHA2DS2-VASc評分在預測慢性腎病（CKD）接受維持性血液透析（MHD）患者的心血管及全因死亡率的有效性。研究分析了237名巴西薩爾瓦多的患者，結果顯示評分大於2的患者死亡風險顯著較高，未調整的全因死亡風險比為2.05，心血管死亡風險比為3.53。即使調整多項因素後，這些結果仍然成立。研究團隊還開發了修訂版CHA2DS2-VASc評分，顯示其在預測MHD患者死亡風險方面的潛在應用價值。 PubMed DOI

這項研究分析了接受維持性血液透析的老年患者跌倒風險因素，並開發了一個預測模型來識別高風險個體。研究追蹤了871名來自成都市九家醫院的老年患者，跌倒發生率為31.96%。透過多變量邏輯回歸，識別出年齡、性別、視力障礙、低血壓、認知障礙和憂鬱症等獨立風險因素。該預測模型經過驗證，顯示出良好的預測性能，能幫助醫生早期識別高風險患者，減少跌倒相關傷害。 PubMed DOI

面臨腎衰竭的病人在接受維持性透析時，面臨中風和出血的風險。為了評估現有預測模型的有效性，進行了一項系統性回顧，納入截至2024年1月12日的相關研究。結果顯示，雖然有八項研究符合標準，但並未找到專門針對透析病人的中風預測模型，僅有兩項針對出血風險的評分。常用的評分系統在透析人群中表現不佳，顯示目前的預測模型不足，因此亟需開發新的風險評分系統以改善臨床決策。 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