慢性腎病（CKD）的風險分層越來越被重視，成為提升治療和預防的重要工具。這篇綜述探討機器學習（ML）在臨床風險分層中的應用，主要方法包括基因組學和電子健康紀錄（EHR）。四種主要的風險分層方法為：基因組學透過多基因風險分數評估風險；多組學整合生物標記數據；監督式機器學習利用EHR數據進行預測；非監督式機器學習則將患者分群以制定個別護理方案。這些工具有助於提升CKD的風險分層能力，促進更個性化的管理策略。 PubMed DOI

利用機器學習演算法分析CKD患者的腎臟纖維化程度，XGBoost模型表現優異，AUC達0.97。SHAP方法有助於解釋模型輸出，顯示腎小球過濾率對預測影響最大。這有助於臨床醫生制定CKD患者的治療策略。 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

研究利用機器學習預測腹膜透析患者風險，發現隨機森林和XGBoost是最佳模型。腎臟疾病、血壓、年齡與心臟衰竭相關，年齡、膽固醇、腎功能與死亡風險相關。機器學習優於Cox回歸，可提供臨床參考。 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

研究利用機器學習分析卡塔爾生物庫中1000名參與者的臨床和骨骼健康指標，預測糖尿病。機器學習模型準確率超過84%，經特徵選擇後提高至87.2%。發現糖尿病患者HDL膽固醇和中性粒細胞高，維生素B12和睪固酮低，鈉水平也低。達帕格列酮處方與降低酶水平相關。研究建議結合DXA和臨床數據的機器學習模型可早期診斷糖尿病。 PubMed DOI

糖尿病腎病（DKD）是2型糖尿病的一大併發症，對全球健康影響深遠。及早檢測DKD對改善病人結果至關重要。近期，人工智慧（AI）和機器學習（ML）在醫療領域的進展，特別是在預測DKD方面，顯示出良好潛力。研究顯示，AI和ML在預測DKD進展上表現優於傳統模型，並能整合遺傳數據，增進對疾病的理解及個性化治療。儘管面臨數據需求和標準化挑戰，AI和ML仍有潛力改變DKD的管理方式，未來應專注於開發臨床應用的AI工具。 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