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

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

這項研究開發了一個名為PRIME Solution的AI模型，專門用來預測急性腎損傷（AKI），並評估其對臨床醫師的幫助。模型基於183,221次住院紀錄，並用4,501次進行驗證。結果顯示，專家在無AI支持下的準確率最高，AI的協助提升了召回率和F1分數，並減少了審查時間。對於AKI病例，AI的效果更明顯，專家的表現改善最為顯著。整體來看，AI的協助增強了AKI的預測能力，改善程度依使用者專業程度而異。 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

這項研究用15項加護病房常見的數據，開發出一個能預測重症病人7天內發生不同程度急性腎損傷（AKI）風險的模型。分析976位病患資料，模型準確度不錯（AUC 0.76），也有臨床實用性，有助於及早找出高風險病人，提升治療效果。 PubMed DOI

這項研究開發了一套新模型，把臨床資料轉成文字，再結合數值資訊，利用大型語言模型來預測心肺繞道手術前發生急性腎損傷的風險，準確率高達AUC 0.92。研究也找出哪些術前和術中措施有助預防AKI，能幫助醫師更早預測並預防相關風險。 PubMed DOI

這項研究用重症醫療資料庫，開發XGBoost機器學習模型，能早期預測ICU裡有SA-AKI的病人是否會發生SAD。模型表現比傳統方法好，內外部驗證AUROC分別為0.775和0.687，準確度佳。這模型能更早、方便預測SAD，特別適合臨床上難以直接評估的病人使用。 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