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

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

急性腎損傷（AKI）在住院兒童中常見，因此開發可靠的預測模型來評估AKI後的結果非常重要。本研究分析了來自中國兩家兒童醫院的8,205名AKI住院兒童，主要評估住院死亡率及28天內需透析的情況。研究使用遺傳算法選擇特徵，並採用隨機森林模型進行預測，結果顯示該模型在預測住院死亡率的AUROC達0.854，透析需求的AUROC更高達0.889，且表現優於傳統的兒童重症疾病評分，顯示出良好的臨床應用潛力。 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

這項研究利用極端梯度提升（XGBoost）模型來預測創傷病患的急性腎損傷（AKI）。研究分析了2015年到2023年期間，17,859名創傷病患的數據，並收集了多項臨床參數。模型基於2021年7月的數據開發，並用2021年8月的數據進行驗證。結果顯示，模型在預測AKI的表現上相當不錯，48小時的AUROC達到0.864，24小時的AUROC則為0.904。關鍵預測特徵包括血清肌酸酐、年齡及其他生化指標。整體而言，XGBoost模型能有效提前預測AKI。 PubMed DOI

研究團隊開發了一套深度學習模型，能結合實驗室數據和臨床紀錄，準確預測住院成人48小時內發生中重度急性腎損傷（AKI）的風險，效果比只用結構化資料的模型更好，有助醫師及早發現高風險病人並介入治療。 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

這篇系統性回顧分析近600萬名成人，發現急性腎臟病（AKD）的發生率會因定義不同而有差異，用ADQI定義時較高（26.6%），KDIGO則較低（11.1%）。但不管用哪種定義，AKD和死亡風險的關聯性都差不多。這提醒我們，AKD定義不同會影響研究結果，對臨床和研究都很重要。 PubMed DOI

這項研究用AI分析95位接受CKRT的重症新生兒和嬰兒，發現尿量少、肌酸酐上升多、延遲治療和低血壓會提高住院死亡風險（死亡率47.3%）。存活者中有三成出院時有蛋白尿，和高肌酸酐及原發性腎病有關。AI模型有助於找出影響短期預後的關鍵因素。 PubMed DOI