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

糖尿病腎病（DKD）是2型糖尿病（T2DM）患者常見的併發症。本研究針對12,190名T2DM患者的電子健康紀錄，開發機器學習演算法來預測DKD風險。研究找出了主要風險因素，如年齡、尿液白蛋白與肌酸酐比率等。最終，Light Gradient Boosting Machine（LightGBM）模型在預測準確性上表現最佳。這項研究顯示，透過機器學習可以有效預測DKD風險，幫助早期介入，改善患者的腎臟健康。 PubMed DOI

這項研究利用極端梯度提升（XGBoost）模型來預測創傷病患的急性腎損傷（AKI）。研究分析了2015年到2023年期間，17,859名創傷病患的數據，並收集了多項臨床參數。模型基於2021年7月的數據開發，並用2021年8月的數據進行驗證。結果顯示，模型在預測AKI的表現上相當不錯，48小時的AUROC達到0.864，24小時的AUROC則為0.904。關鍵預測特徵包括血清肌酸酐、年齡及其他生化指標。整體而言，XGBoost模型能有效提前預測AKI。 PubMed DOI

研究團隊開發了一套深度學習模型，能結合實驗室數據和臨床紀錄，準確預測住院成人48小時內發生中重度急性腎損傷（AKI）的風險，效果比只用結構化資料的模型更好，有助醫師及早發現高風險病人並介入治療。 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

這個AI模型結合電子病歷和大型語言模型，能準確找出住院病人有營養不良風險，表現比傳統護理師篩檢工具更好，AUC最高達0.95。它也能更有效預測再住院和死亡風險，有助提升醫院營養不良偵測效率。 PubMed DOI