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

這項研究評估了電子敗血症篩檢對沙烏地阿拉伯住院病人死亡率的影響。研究涵蓋五家醫院，共60,055名病人，結果顯示篩檢組的90天住院死亡率顯著較低（調整相對風險0.85）。篩檢組在警報後12小時內的血清乳酸檢測和靜脈輸液訂單比率較高，但也導致藍色代碼啟動和腎臟替代治療事件增加。總體而言，電子敗血症篩檢有效改善病人結果，顯示其在降低住院死亡率方面的潛力。該研究已在ClinicalTrials.gov註冊，識別碼為NCT04078594。 PubMed DOI

這項研究比較了兩個開源大型語言模型，Llama-3 8B 和 Mixtral 8x7B，在預測敗血症的表現。新系統 COMPOSER-LLM 結合了大型語言模型，能從非結構化的臨床筆記中提取資訊。經過對 2,074 次病人就診的評估，Llama-3 8B 模型的敏感性為 70.3%，而 Mixtral 8x7B 的敏感性為 72.1%。結果顯示，較小的 Llama-3 模型在早期敗血症預測上表現良好，對資源有限的醫療環境特別重要。 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

這項研究旨在提升患有2型糖尿病及心血管疾病、慢性腎病或心衰竭的患者對GLP-1受體激動劑和SGLT2抑制劑的使用。研究在退伍軍人事務部安娜堡醫療系統進行品質改善介入，透過教育和一對一輔導，成功聯繫445名患者，48%開始使用這些藥物。介入前，處方率為22.7%，經過12個月後上升至37.9%，顯示出顯著的增長，證明了這種多學科介入的有效性。 PubMed DOI

敗血症是一種因免疫反應不當而引起的嚴重疾病，死亡率高且併發症多。早期檢測和治療對病人預後至關重要，但現有模型常忽略臨床筆記中的重要資訊。本研究提出COMPOSER-LLM，一個開源的大型語言模型，能與COMPOSER模型協同工作，提升早期敗血症預測準確性。測試中，COMPOSER-LLM的敏感性達72.1%，假警報率低，顯示出優於原模型的表現，並強調了其臨床應用潛力。這標誌著醫療分析的一大進步。 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

敗血症是一種嚴重的病況，會引發無法控制的炎症反應，導致多重器官衰竭和高死亡率。持續性腎臟替代療法（CRRT）對於管理敗血性休克患者的液體過載和免疫反應至關重要。本研究分析了2016至2021年間61名ICU患者的液體平衡變化，發現適當的液體管理可將90天死亡率風險降低50%。CRRT雖然縮短住院時間，但因機械通氣需求，間接延長住院天數。維持最佳液體平衡對降低死亡率和併發症至關重要，建議未來進行多中心研究以確認結果。 PubMed DOI

這項研究發現，對心因性休克患者延長使用經皮心室輔助裝置，可以讓心衰竭藥物更安全、有效地啟動和調整劑量。和過去相比，這樣做讓病人在出院時能用到更高、符合指引的藥物劑量，併發症沒有增加，90天存活率也有提升趨勢，證實這方法安全又可行。 PubMed DOI

這篇研究提出COMPOSER-LLM，把大型語言模型和現有敗血症預測工具結合，能同時分析結構化數據和臨床紀錄文字。實測2,500名病人，結果顯示新系統比傳統模型更準確，敏感度高、誤報少。即使有誤判，很多病人其實也有感染，證明這方法在臨床上很有幫助。整合LLM能更有效利用電子病歷，提升敗血症早期預測。 PubMed DOI