研究使用5041名患者數據，建立了預測心臟衰竭和腎臟疾病患者在醫院內死亡率的XGBoost模型，AUC為0.837。重要變數包括器官功能衰竭評分、年齡、急性生理評分和尿液輸出量。該模型經成功開發並驗證。 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

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

研究利用機器學習預測腹膜透析患者風險，發現隨機森林和XGBoost是最佳模型。腎臟疾病、血壓、年齡與心臟衰竭相關，年齡、膽固醇、腎功能與死亡風險相關。機器學習優於Cox回歸，可提供臨床參考。 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

這研究用血清Klotho開發並驗證機器學習模型，可預測慢性腎臟病患者的末期腎臟病和心血管疾病。模型在400名患者數據上訓練，表現良好預測ESKD和CVD風險。最佳ESKD模型包括估算腎小球過濾率、血清Klotho等特徵，CVD模型則包括年齡、血清Klotho等特徵。這些模型對CKD患者風險預測有臨床應用價值。 PubMed DOI

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