這篇論文提出一種新方法，利用多來源集成預測法來預測針對糖尿病的中藥方劑，結合機器學習技術與多樣化數據集。研究使用專注於糖尿病的成分數據，特別是DPP-4和GLP-1，並運用三種機器學習演算法：梯度提升決策樹、靈活神經樹和輕量級梯度提升機進行訓練。測試數據來自TCMSP數據庫，預測的草藥包括枸杞、杏仁、菊花等，顯示出集成方法的準確性高於單一演算法。網絡藥理學分析也指出沒藥可能對糖尿病有貢獻。 PubMed DOI

這項研究透過統合分析和孟德爾隨機化，探討糖尿病腎病（DKD）的主要風險因素及其因果關係。研究回顧截至2024年9月的文獻，找出DKD的重要風險因素，如高血壓、合併症、血糖控制不佳等，風險範圍從3.27到6.33。孟德爾隨機化顯示高碳水化合物攝取會增加DKD風險，而多吃蔬菜則有保護作用。研究強調飲食和生活方式改變對預防DKD的重要性，建議早期介入血糖控制、高血壓和飲食。 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

這項研究針對481名中國成人型1型糖尿病（T1DM）患者，探討腎病進展的相關因素。結果顯示，男性、病程較長、高三酸甘油脂及高收縮壓均與慢性腎病（CKD）進展風險正相關，而較低的體重指數（BMI）則為負相關因素。研究還指出，高血糖、高血壓及高尿酸血症與腎病階段有關。建議對早期T1DM患者，特別是低BMI及合併高血壓的男性，應加強監測腎功能，並考慮轉診腎臟科專家以進行干預，強調早期檢測的重要性。 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

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

這項研究用DARWIN-Renal資料，開發並比較四種機器學習模型來預測第二型糖尿病患者腎功能惡化風險。結果發現，納入病患過去的就診紀錄後，預測準確度明顯提升，尤其是循環神經網路表現最好。這說明利用病患的長期資料，有助於及早找出高風險族群。 PubMed DOI

這項西班牙研究發現，約一半糖尿病患者的腎臟問題其實不是糖尿病腎病，且這些人的預後較好。研究也提出五項臨床指標，幫助醫師預測患者是否屬於非糖尿病性腎臟病，協助決定是否需要做腎臟切片。 PubMed DOI