機器學習是人工智慧的一部分，能讓電腦透過數據分析和數學演算法進行預測或識別模式。在重症醫療中，機器學習對於預測急性腎損傷（AKI）等結果非常重要，並能幫助制定預後和管理策略。此外，它也是研究AKI的有力工具，能加深我們對其臨床和生化層面的理解。這篇綜述將介紹機器學習的基本概念，並總結最新的研究成果。 PubMed DOI

人工智慧（AI）在腎臟科，特別是預測住院急性腎損傷（AKI）方面的應用逐漸增多。近期的進展促使多種AI技術發展，提升了不同醫院對AKI的檢測能力。這篇綜述探討了AKI風險預測的演變，對比傳統靜態風險評估模型與新興的AI方法。雖然目前對這些AI模型在臨床應用及病人結果的數據仍有限，但文章對AI在AKI檢測和管理的未來持樂觀態度。 PubMed DOI

急性腎損傷（AKI）在鐮狀細胞疾病患者中常見，使用機器學習模型預測AKI發作，準確率高。研究顯示，女性及特定病史患者更容易罹患AKI。這模型可協助制定預防策略。 PubMed DOI

研究開發了機器學習模型，可預測兒童心臟手術後可能出現中至重度急性腎損傷。模型利用病人數據預測手術後第2天的腎損傷情況，表現優異。重要預測因子包括術前肌酐值和手術時間。研究顯示機器學習可改善結果，指導臨床決策，對兒童心臟手術有潛在幫助。 PubMed DOI

這項研究使用機器學習來開發早期檢測嚴重急性胰腺炎患者急性腎損傷（AKI）的模型。表現最佳的模型是梯度提升機（GBM），在模型建構期間的曲線下面積（AUC）為0.814，在測試集中為0.867。GBM模型的精確度可以幫助臨床醫師識別高風險患者，並及時干預，以降低危重病房中的死亡率。 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

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

這項研究開發了一個名為PRIME Solution的AI模型，專門用來預測急性腎損傷（AKI），並評估其對臨床醫師的幫助。模型基於183,221次住院紀錄，並用4,501次進行驗證。結果顯示，專家在無AI支持下的準確率最高，AI的協助提升了召回率和F1分數，並減少了審查時間。對於AKI病例，AI的效果更明顯，專家的表現改善最為顯著。整體來看，AI的協助增強了AKI的預測能力，改善程度依使用者專業程度而異。 PubMed DOI

這項研究回顧了人工智慧（AI）和機器學習（ML）在預測住院病人急性腎損傷（AKI）的表現。共分析了4,816篇文章，最終納入95篇，涵蓋380萬次住院紀錄。最常用的AKI定義是KDIGO-AKI標準。識別出302個預測模型，以邏輯回歸模型最為普遍。預測AKI的關鍵因素包括年齡、性別、糖尿病等。預測模型的AUC顯示出潛力，但臨床應用仍面臨挑戰，因為研究間存在顯著異質性和偏差風險。 PubMed DOI