本研究探討C-反應蛋白-白蛋白-淋巴細胞指數（CALLY指數）與維持性血液透析（MHD）患者死亡率的關聯。研究分析了436名MHD患者，結果顯示CALLY指數是死亡率的重要保護因素。透過多變量邏輯回歸，識別出多項影響死亡率的因素，並開發了列線圖來預測死亡風險，AUC達0.821，顯示高區分能力。研究強調CALLY指數在預測血液透析患者結果中的潛力。 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

這項研究針對慢性腎病（CKD）患者在接受冠狀動脈手術後的急性腎損傷（PC-AKI）進行預測。研究團隊在2015至2021年間招募了989名CKD患者，發現12.6%出現PC-AKI。他們使用隨機森林算法和六個機器學習模型進行比較，結果顯示深度神經網絡（DNN）模型表現最佳，術前變數的AUROC為0.733，術中變數則為0.770，超越傳統Mehran評分（AUROC 0.631）。此外，研究還利用SHAP方法提升模型可解釋性，並開發網頁工具協助醫生評估PC-AKI風險，顯示出良好的臨床應用潛力。 PubMed DOI

透析期間的低血壓（IDH）是血液透析中常見的問題，現有預測模型常因其複雜性而不足。本研究分析201名接受維持性透析的患者，70%用於訓練，30%用於驗證。IDH定義為收縮壓下降20 mmHg或以上，或平均動脈壓下降10 mmHg或以上。研究團隊透過LASSO回歸分析，找出與IDH相關的五個關鍵變數，並建立多變量邏輯回歸模型。該模型在訓練和驗證隊列中顯示出良好的預測性能，顯示其在準確預測IDH方面的潛力。 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

這項研究發現，腹膜透析病人如果一直是高運輸者，或後來變成高運輸者，預後都比較差，且MMP2和PAI-1這兩種生物標記也明顯偏高。利用機器學習結合臨床資料和生物標記，能更準確預測高風險病人，有助醫師及早介入治療。 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

這篇系統性回顧發現，目前用機器學習預測血液透析中低血壓的模型雖然表現不錯，但多數研究有偏倚問題，且缺乏外部驗證，臨床應用有限。未來應加強外部和臨床驗證，才能提升實際應用價值。 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