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）是血液透析中常見的問題，現有預測模型常因其複雜性而不足。本研究分析201名接受維持性透析的患者，70%用於訓練，30%用於驗證。IDH定義為收縮壓下降20 mmHg或以上，或平均動脈壓下降10 mmHg或以上。研究團隊透過LASSO回歸分析，找出與IDH相關的五個關鍵變數，並建立多變量邏輯回歸模型。該模型在訓練和驗證隊列中顯示出良好的預測性能，顯示其在準確預測IDH方面的潛力。 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

這項研究探討急性腎損傷（AKI）、急性腎病（AKD）與慢性阻塞性肺病（COPD）患者的死亡率關聯。研究分析了2,829名住院病人的數據，使用八種機器學習演算法進行預測。結果顯示，AKI發生率為13.71%，AKD為15.11%，整體死亡率為4.84%。LightGBM演算法表現最佳，對AKI、AKD及死亡率的預測準確度分別為0.815、0.827及0.934。研究強調腎功能變化在預測死亡率中的重要性，並開發了網頁應用程式以協助識別高風險患者，改善預後。 PubMed DOI

這項研究分析了重症急性腎損傷（AKI）需要持續腎臟替代療法（CKRT）的重症兒童在九年間的不良結果。217名患者中，近一半在醫院內去世，平均住院42.71天，ICU住26.88天，使用呼吸器21.04天。高基線腎小管過濾率（eGFR）、血管活性藥物使用、輸血次數及液體平衡百分比（PFB）等因素與高死亡率相關。長期追蹤中，16%患者在1.3年內去世，23%倖存者面臨慢性腎病風險。研究強調可調整的風險因素對短期及長期預後的重要性。 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

這項針對113位接受CKRT的重症兒童研究發現，死亡率為26.6%。最主要的死亡預測因子是血流動力學不穩定（需用升壓藥）和凝血異常（未用heparin）。其他高死亡率相關因素有：疾病嚴重、敗血症、插管久、低白蛋白、多重原因腎損傷及單純體液過多。血流動力學不穩定是最強的死亡預測因子。 PubMed DOI

研究人員開發了一套針對糖尿病腎病變患者的風險預測模型，結合臨床資料和四種血液生物標記，能準確預測三年內重大心腎事件（C-statistic 0.80）。這模型可將患者分為低、中、高風險，低風險陰性預測值達94%，高風險陽性預測值有58%。不同族群驗證都有效，且用canagliflozin治療能降低所有風險層級的事件發生率。 PubMed DOI