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

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

本研究旨在建立一個框架，利用大型語言模型（LLMs）預測老年患者術後急性腎損傷（AKI）的結果。研究顯示，LLMs克服了傳統機器學習模型在預測疾病時的低泛化能力和可解釋性問題。透過提示工程和知識蒸餾，我們評估了來自中國和南韓的數據，結果顯示LLMs在準確率上優於傳統模型，並提供了可讀的解釋，改善臨床理解。此框架為臨床提供了更可靠的預測工具。 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

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

糖尿病腎病（DKD）是2型糖尿病（T2DM）患者常見的併發症。本研究針對12,190名T2DM患者的電子健康紀錄，開發機器學習演算法來預測DKD風險。研究找出了主要風險因素，如年齡、尿液白蛋白與肌酸酐比率等。最終，Light Gradient Boosting Machine（LightGBM）模型在預測準確性上表現最佳。這項研究顯示，透過機器學習可以有效預測DKD風險，幫助早期介入，改善患者的腎臟健康。 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

這項研究用機器學習模型（特別是 LGBM）來預測有營養不良風險患者的急性腎臟疾病、急性腎損傷和死亡率，效果不錯，也找出重要風險因子。團隊還開發了 AI 網頁工具，幫助醫師早期介入治療。未來會持續優化並擴大這些工具的應用。 PubMed DOI

這項研究分析超過1.7萬名ICU急性腎損傷病人，根據腎功能和尿量變化分成四種亞型。結果發現，腎功能惡化但尿量增加的病人死亡率最高，腎功能改善且尿量穩定的病人預後最好。這有助於未來針對不同AKI病人，提供更精準的治療建議。 PubMed DOI