這項研究使用機器學習來開發早期檢測嚴重急性胰腺炎患者急性腎損傷（AKI）的模型。表現最佳的模型是梯度提升機（GBM），在模型建構期間的曲線下面積（AUC）為0.814，在測試集中為0.867。GBM模型的精確度可以幫助臨床醫師識別高風險患者，並及時干預，以降低危重病房中的死亡率。 PubMed DOI

研究使用機器學習預測AKI患者腎功能恢復，分析兩家醫院350,345例病例。模型準確，找出影響恢復的關鍵因素。研究提供預測AKI患者腎功能恢復的見解，但仍需改進和擴充數據集。 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

這項研究探討如何利用機器學習模型預測急性胰臟炎相關的急性腎損傷病患的住院死亡率。研究者開發並驗證了這些模型，並與傳統的邏輯回歸進行比較。研究涵蓋1,089名來自MIMIC-IV和eICU的病患，以及176名來自湘雅醫院的病患進行外部驗證。結果顯示，XGBoost模型在訓練組中表現最佳，AUC達0.941，顯著優於其他模型。雖然在外部驗證組中表現稍遜，但仍需進一步研究以確認其普遍性。 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

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