住院治療急性腎損傷（AKI）的病人，相較於沒有AKI的病人，心臟衰竭、心血管事件和死亡風險較高。但這些風險可能受到預住院因素的影響，如估算的腎小球過濾率（eGFR）、eGFR下降速率和蛋白尿水平，而非AKI本身。一項研究發現，AKI患者在住院前eGFR較低、eGFR下降速率較快、蛋白尿較多。調整這些因素後，AKI與不良結果的關聯變弱，但仍是重要風險因素。 PubMed DOI

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

研究發現危重病患中，敗血症患者心跳過快與急性腎損傷有關聯，但非敗血症患者則無。心率增加，AKI風險也增加。某些腎損傷生物標記物在心跳較快患者中較高。結果指出，ICU入院第一週心跳過快可能獨立導致敗血症患者出現AKI。 PubMed DOI

人工智慧，特別是機器學習，在預測敗血症相關的急性腎損傷（AKI）方面展現潛力。2023年4月28日的系統性回顧分析了2898篇文獻，最終選出25篇相關研究。結果顯示，邏輯回歸和極端梯度提升是最常用的演算法，預測模型主要分為早期識別、預後預測和亞型識別。關鍵因子包括血清肌酸酐、乳酸、年齡等。然而，研究質量普遍較低，需改善臨床效用評估及增強模型實用性。 PubMed DOI

這項研究針對417名創傷性出血性休克患者進行了十年的回顧性分析，發現急性腎損傷（AKI）的發生率為29.3%。主要風險因素包括年齡、B型利鈉肽水平、敗血症和急性心肌損傷。相對而言，道路交通事故、平均動脈壓和基底過剩則與AKI呈負相關。研究顯示AKI的預測模型具有良好的預測能力，建議監測這些風險因素以降低AKI發生率，改善患者預後。 PubMed DOI

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

這項研究探討了接受體外膜氧合（ECMO）和持續性腎臟替代療法（CRRT）的敗血症患者的死亡風險因素，數據來自MIMIC-IV資料庫。最終分析納入70名ECMO患者、513名CRRT患者及22名同時接受兩種治療的患者。研究發現，ECMO患者的主要風險因素是凝血酶原時間，CRRT患者則是SOFA評分，而同時接受兩種治療的患者中，既往高血壓病史是唯一的獨立風險因素。ROC分析顯示模型表現良好，強調了這些因素在敗血症患者中的重要性。 PubMed DOI

這項研究探討腎臟平均灌注壓（MPP）與敗血症相關急性腎損傷（SA-AKI）患者的預後關係，數據來自MIMIC-IV資料庫。研究發現，MPP低於60 mmHg的患者90天死亡率顯著較高，且MPP與死亡率之間存在非線性反比關係。Cox回歸分析顯示，MPP低於60 mmHg是獨立的死亡風險因素，而MPP高於60 mmHg則可降低死亡風險。結果強調監測MPP變化對SA-AKI患者預後的重要性。 PubMed DOI

急性腎損傷（AKI）是心臟衰竭（HF）患者常見的併發症，且會影響預後。本研究探討HF患者中AKI與平均動脈壓（MAP）變化的關係，使用重症監護醫學資訊庫IV（MIMIC-IV）的數據進行回顧性分析。研究發現，MAP快速下降的患者（類別4）發展AKI的風險顯著高於低中等MAP的患者（類別3）。相對而言，中等MAP的患者風險較低。結果顯示，密切監測MAP變化對預防HF患者的AKI至關重要。 PubMed DOI

急性腎損傷（AKI）是急性心肌梗塞（AMI）病人常見且嚴重的併發症，影響預後。本研究探討壓力高血糖比率（SHR）與重症AMI病人AKI發展的關聯，分析了4,663名病人的數據。結果顯示，較高的SHR水平與AKI風險增加獨立相關，且呈J型關係。雖然SHR在住院死亡率的預測上有限，但強調了在有AKI風險的AMI病人中進行血糖監測和管理的重要性。 PubMed DOI