在腎臟學領域，AI技術被用來預測住院型急性腎損傷（AKI），提升患者檢測。從傳統模型到現代AI方法，AKI風險預測不斷演進。雖然AI在AKI檢測方面有改進，但在臨床實踐和患者結果方面仍缺乏數據。AI在AKI護理的應用仍在初階階段，該評論總結了現有進展和未來潛力。 PubMed DOI

小朋友和新生寶寶若罹患急性腎損傷，影響嚴重，需重視預防和及時治療。人工智慧和機器學習已協助早期偵測AKI，如XGBoost、邏輯回歸和風險評分等模型成功預測AKI。"Baby NINJA"模型降低新生兒AKI風險，"STARZ"則準確預測NICU患者AKI。結合AI和生物標記物或許提升預測能力。 PubMed DOI

已研發出運用機器學習演算法的人工智慧模型，可預測急性腎損傷（AKI）患者的住院死亡率。綜合評估後發現，廣泛學習系統（BLS）和彈性網絡最終（ENF）模型預測效果最佳，而臨床模型（PCM）表現較差。PCM模型負預測值最高，可用於排除規則。總體而言，BLS和ENF模型與其他模型同樣有效，但仍需進一步研究確認。 PubMed DOI

敗血症引起急性腎損傷（SA-AKI）是危重病患常見併發症，增加死亡率和醫療成本。傳統方法預測SA-AKI效果參差，因此引起對使用人工智慧（AI）和機器學習（ML）進行更準確預測的興趣。像XGBoost和RNN-LSTM等ML模型在預測SA-AKI和死亡方面表現優異，超越傳統風險評估。AI/ML可量身訂製護理、優化治療，改善SA-AKI患者結果。然而，需克服數據隱私和監管合規挑戰。AI/ML可提早檢測風險、個人化管理，應對SA-AKI。未來發展包括實時監測和預測演算法，以便及時介入，但成功實施需持續改進模型和監管監督。本文探討AI/ML如何改革SA-AKI護理。 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

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

慢性腎臟病（CKD）是一種常見疾病，可能引發嚴重健康問題。本系統性回顧分析了33項人工智慧（AI）模型在預測CKD進展的有效性。主要發現顯示，這些預測工具的合併敏感度為0.43，特異度高達0.92，顯示出良好的識別能力。正似然比為5.12，負似然比為0.28，曲線下面積（AUC）為0.89，顯示整體診斷準確性不錯。儘管結果令人鼓舞，研究仍強調需進一步優化AI模型，以平衡敏感度與特異度，並克服數據集不平衡等限制。 PubMed DOI

這項研究專注於開發一個機器學習的風險預測模型，旨在預測兒童患者的急性腎損傷（AKI）和急性腎病（AKD），強調早期檢測對改善患者結果的重要性。分析了2,346名住院兒童的數據，發現AKI的發生率為14.90%，AKD為16.26%。研究指出，LightGBM演算法在預測上最有效，AKI的AUROC分數為0.813，AKD為0.744。主要預測因子包括血清肌酸酐和白血球計數，並強調了機器學習模型在早期識別高風險患者的潛力，以改善臨床結果。 PubMed DOI