Machine Learning Predicts Acute Kidney Injury in Hospitalized Patients with Sickle Cell Disease.
機器學習預測住院患有鐮狀細胞疾病的患者急性腎損傷。 Am J Nephrol 2024-02-18

急性腎損傷（AKI）在鐮狀細胞疾病患者中常見，使用機器學習模型預測AKI發作，準確率高。研究顯示，女性及特定病史患者更容易罹患AKI。這模型可協助制定預防策略。 PubMed DOI

Predictive model of acute kidney injury in critically ill patients with acute pancreatitis: a machine learning approach using the MIMIC-IV database.
急性胰腺炎危重症患者急性腎損傷的預測模型：使用MIMIC-IV數據庫的機器學習方法。 Ren Fail 2024-02-02

這項研究使用機器學習來開發早期檢測嚴重急性胰腺炎患者急性腎損傷（AKI）的模型。表現最佳的模型是梯度提升機（GBM），在模型建構期間的曲線下面積（AUC）為0.814，在測試集中為0.867。GBM模型的精確度可以幫助臨床醫師識別高風險患者，並及時干預，以降低危重病房中的死亡率。 PubMed DOI

Machine learning algorithm for predict the in-hospital mortality in critically ill patients with congestive heart failure combined with chronic kidney disease.
機器學習演算法用於預測合併慢性腎臟病的充血性心臟衰竭危重病患的住院死亡率。 Ren Fail 2024-02-22

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

Machine learning-based prediction of in-hospital mortality for critically ill patients with sepsis-associated acute kidney injury.
機器學習預測與腎臟急性損傷相關的敗血症危重病患院內死亡率。 Ren Fail 2024-02-22

研究利用機器學習預測SA-AKI患者在醫院內的死亡率，使用MIMIC-IV數據庫，並開發了隨機森林模型。通過特徵選擇和交叉驗證，確定了11個影響死亡風險的變數。該模型在預測死亡率方面表現良好，對ICU中SA-AKI患者的醫院內死亡率有潛力。 PubMed DOI

A machine learning-based approach for predicting renal function recovery in general ward patients with acute kidney injury.
一種基於機器學習的方法，用於預測一般病房急性腎損傷患者的腎功能恢復。 Kidney Res Clin Pract 2024-06-27

研究使用機器學習預測AKI患者腎功能恢復，分析兩家醫院350,345例病例。模型準確，找出影響恢復的關鍵因素。研究提供預測AKI患者腎功能恢復的見解，但仍需改進和擴充數據集。 PubMed DOI

Predicting long-term mortality of patients with postoperative acute kidney injury following noncardiac general anesthesia surgery using machine learning.
使用機器學習預測接受非心臟全身麻醉手術後出現術後急性腎損傷患者的長期死亡率。 Kidney Res Clin Pract 2024-10-09

這項研究探討術後急性腎損傷（PO-AKI）與長期死亡風險的關聯，並運用先進的機器學習方法提升預測準確性。研究分析了199,403名患者的數據，發現PO-AKI患者的生存率顯著低於未發展此病的患者。使用XGBoost模型的預測準確性最高，顯示機器學習技術在預測PO-AKI後的死亡率上具有潛力，能幫助改善臨床干預和患者結果。 PubMed DOI

Machine learning models for mortality prediction in critically ill patients with acute pancreatitis-associated acute kidney injury.
急性胰腺炎相關急性腎損傷重症患者死亡率預測的機器學習模型。 Clin Kidney J 2024-10-11

這項研究探討如何利用機器學習模型預測急性胰臟炎相關的急性腎損傷病患的住院死亡率。研究者開發並驗證了這些模型，並與傳統的邏輯回歸進行比較。研究涵蓋1,089名來自MIMIC-IV和eICU的病患，以及176名來自湘雅醫院的病患進行外部驗證。結果顯示，XGBoost模型在訓練組中表現最佳，AUC達0.941，顯著優於其他模型。雖然在外部驗證組中表現稍遜，但仍需進一步研究以確認其普遍性。 PubMed DOI

Acute kidney disease in hospitalized pediatric patients: risk prediction based on an artificial intelligence approach.
住院小兒患者急性腎病：基於人工智慧方法的風險預測。 Ren Fail 2024-12-13

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

Deep learning for the prediction of acute kidney injury after coronary angiography and intervention in patients with chronic kidney disease: a model development and validation study.
深度學習在慢性腎病患者中預測冠狀動脈造影及介入後急性腎損傷的模型開發與驗證研究。 Ren Fail 2025-03-14

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

Construction and validation of prognostic models for acute kidney disease and mortality in patients at risk of malnutrition: an interpretable machine learning approach.
有營養不良風險患者急性腎臟病與死亡率之預後模型的建構與驗證：一種可解釋的機器學習方法 Clin Kidney J 2025-04-16

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

原始文章

站上相關主題文章列表