一項研究驗證了一個基於機器學習的工具，用於預測慢性腎臟病（CKD）第4或第5期患者的2年全因死亡率。當應用到獨立數據集時，這個工具在準確性、敏感性和特異性方面表現出令人滿意的性能。該研究建議，這個預測工具可能有助於改善CKD患者的個別臨床結果。 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

這項研究探討術後急性腎損傷（PO-AKI）與長期死亡風險的關聯，並運用先進的機器學習方法提升預測準確性。研究分析了199,403名患者的數據，發現PO-AKI患者的生存率顯著低於未發展此病的患者。使用XGBoost模型的預測準確性最高，顯示機器學習技術在預測PO-AKI後的死亡率上具有潛力，能幫助改善臨床干預和患者結果。 PubMed DOI

這項研究評估了接受腹膜透析（PD）患者的心血管事件（CVE）風險，並探討血清碳酸氫根的影響。研究對象為187名PD患者，使用LASSO回歸和多變量Cox回歸建立預測模型。 主要發現顯示，左心室肥厚和CVE病史是新發CVE的風險因素，而血清白蛋白和碳酸氫根則是保護因素。每增加1單位的血清白蛋白和碳酸氫根，CVE風險分別降低7.6%和18.3%。模型的C統計量為0.806，顯示良好預測能力。 研究建議此模型可協助醫療提供者評估PD患者的CVE風險，但需進一步驗證其臨床適用性。 PubMed DOI

這項研究探討如何利用機器學習模型預測慢性透析病人的血液透析適切性，特別是spKt/V。傳統方法需在透析前後採血，限制了評估頻率。研究分析了373名末期腎病患者的1869次透析數據，聚焦87個相關變數。經過數據預處理後，開發了六個二元分類模型，隨機森林模型表現最佳，AUROC分數分別為0.860和0.873。關鍵預測因素包括血管通路、性別、體重指數等。結果顯示，機器學習能有效預測透析適切性，未來可望在臨床中進行非侵入性評估。 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

本研究探討透析期間低血壓（IDH）對接受持續腎臟替代療法（CKRT）的重症兒童住院死亡率的影響。研究結果顯示，IDH與死亡率有顯著關聯，風險比為4.40。透析機器的數據，特別是壓力參數，對預測IDH具有重要性，而傳統血壓變數則較不重要。使用機器學習模型（如CatBoost）能有效預測IDH，這些發現有助於改善兒童CKRT患者的早期檢測與管理，進而提升預後。 PubMed DOI

這項研究探討急性腎損傷（AKI）、急性腎病（AKD）與慢性阻塞性肺病（COPD）患者的死亡率關聯。研究分析了2,829名住院病人的數據，使用八種機器學習演算法進行預測。結果顯示，AKI發生率為13.71%，AKD為15.11%，整體死亡率為4.84%。LightGBM演算法表現最佳，對AKI、AKD及死亡率的預測準確度分別為0.815、0.827及0.934。研究強調腎功能變化在預測死亡率中的重要性，並開發了網頁應用程式以協助識別高風險患者，改善預後。 PubMed DOI

這項研究用四家醫院的資料，開發並驗證一個機器學習模型，能預測洗腎病人心臟瓣膜鈣化的風險。模型根據五個臨床指標建立，最後發現邏輯迴歸的表現最穩定。這工具有助於早期發現高風險患者，提升洗腎病人心臟瓣膜鈣化的篩檢和管理效率。 PubMed DOI

研究人員開發了一套針對糖尿病腎病變患者的風險預測模型，結合臨床資料和四種血液生物標記，能準確預測三年內重大心腎事件（C-statistic 0.80）。這模型可將患者分為低、中、高風險，低風險陰性預測值達94%，高風險陽性預測值有58%。不同族群驗證都有效，且用canagliflozin治療能降低所有風險層級的事件發生率。 PubMed DOI