血液透析時常見的併發症是血壓過低(IDH)，但預測它很困難。一項研究發現，使用心率變異性（HRV）測試可以有效預測IDH。研究對70名透析患者進行HRV測試，並在透析過程中監測IDH發作。他們開發了一個HRV-IDH指數，對於有反覆IDH的患者預測效果尤為顯著。這項研究結果顯示，HRV測試可成為預測血液透析患者IDH的實用工具。 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

這項研究探討了影響血液透析病人疲勞的因素，並建立了一個疲勞概率預測圖。研究在中國湖北的一家醫院進行，涵蓋453名病人，分為訓練組和驗證組。透過多變量邏輯回歸分析，識別出年齡、透析年限、體重增加、血紅蛋白、抑鬱、失眠和社會支持等因素。預測圖在訓練組和驗證組的準確性分別為0.955和0.979，顯示出良好的預測能力，建議作為臨床評估工具。 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

這項研究探討透過生物反應測量進行持續非侵入性血流動力學監測，以評估血容量並改善血液透析（HD）過程中的耐受性。研究對象為46名穩定的HD患者，結果顯示51.19%的參與者經歷低血壓（IDH），但與多項臨床參數並無顯著相關性。經歷IDH的患者，其指數化收縮容量（ISV）和心輸出量（ICO）較低，而指數化收縮容量變異（ISVV）和心率（HR）則較高。研究建議，非侵入性監測和前負荷評估可有效管理血容量狀態，預防HD患者IDH。 PubMed DOI

這項研究的目的是開發和驗證機器學習模型，以預測接受腹膜透析（PD）患者近期的全因死亡和心血管死亡。研究涵蓋7,539名PD患者，並採用5折交叉驗證法進行數據分組。模型利用患者的人口統計、臨床特徵、實驗室結果及透析相關變數進行預測。結果顯示，模型在測試集中的預測能力強，全因死亡的AUROC達0.8767，心血管死亡的AUROC達0.9026，且精確度-召回曲線得分也很高。CVDformer模型在預測PD患者三個月內的死亡方面表現優異，但未來仍需進一步校準。 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

透析期間的低血壓（IDH）是血液透析常見問題，可能影響健康。最近有一種新方法，透過外部壓力波傳感器，實時估算透析期間的收縮壓（SBP）。本研究評估這種估算器的準確性，與傳統臂帶測量比較。 在單一中心進行的觀察性研究中，21名參與者在兩次4小時的透析中進行監測。結果顯示，實時SBP估算與臂帶測量有強烈相關性，平均差異小且無系統性偏差。95%的實時估算結果在臂帶測量的30%範圍內，顯示出進一步開發的潛力，且不會增加患者負擔。 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