透析過程中常見低血壓，可用人工智慧模型預測。模型基於XGBoost算法，可預測透析期低血壓發生情況，並識別風險因素。這些模型利用超過120萬次透析會話數據，發生率為10.07%，表現良好。可幫助個人化干預，預防和管理低血壓。 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

研究使用5041名患者數據，建立了預測心臟衰竭和腎臟疾病患者在醫院內死亡率的XGBoost模型，AUC為0.837。重要變數包括器官功能衰竭評分、年齡、急性生理評分和尿液輸出量。該模型經成功開發並驗證。 PubMed DOI

研究改進了預測血液透析患者低血壓風險的模型，提高了準確性和適用性，有助於臨床決策。 PubMed DOI

機器學習新模型能準確預測CKD患者未來6-12個月可能發展為腎衰竭，並在加拿大安大略省驗證成功。應用此模型可降低非計畫性透析率，改善CKD到腎衰竭的過渡。需進一步研究有效運用此模型。 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

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