人工智慧（AI）在腎臟科，特別是預測住院急性腎損傷（AKI）方面的應用逐漸增多。近期的進展促使多種AI技術發展，提升了不同醫院對AKI的檢測能力。這篇綜述探討了AKI風險預測的演變，對比傳統靜態風險評估模型與新興的AI方法。雖然目前對這些AI模型在臨床應用及病人結果的數據仍有限，但文章對AI在AKI檢測和管理的未來持樂觀態度。 PubMed DOI

新的預測模型U-AKIpredTM能夠在12小時內預測危重病患中的急性腎損傷（AKI），結合了三個關鍵生物標誌，顯示出比其他生物標誌更好的預測表現。模型在訓練集和驗證集中表現準確，並創建了基於預測性能最佳化的等高線圖。U-AKIpredTM在預測AKI和嚴重AKI方面優於NephroCheck®，是危重病房中識別高風險AKI患者的重要工具。 PubMed DOI

急性腎損傷（AKI）在重症病患中常見，影響腎臟替代療法（RRT）的啟動時機。本研究創建並驗證了SACrA評分，旨在預測非緊急RRT的啟動。研究分析了兩組病患的數據，推導隊列有470名，驗證隊列476名。結果顯示，SACrA評分在預測非緊急RRT方面具備高準確性，推導隊列ROC-AUC為0.971，驗證隊列為0.918。這個評分工具能幫助醫師做出更佳決策，潛在減少不必要的RRT，改善病患結果。 PubMed DOI

這項研究探討術前中性粒細胞與淋巴細胞比率（NLR）與心臟手術後急性腎損傷（AKI）之間的關聯。分析了2006至2018年間23,638名患者的資料，發現AKI發生率為27.6%。結果顯示，AKI患者的NLR顯著較高，NLR超過5的患者發展AKI的風險增加5.046倍。此外，高NLR也被認為是嚴重AKI和住院死亡的獨立風險因素。這些結果顯示，術前較高的NLR可協助心臟手術中患者的個性化治療。 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

這項針對3,331位晚期慢性腎臟病患者的研究發現，中性球百分比與白蛋白比值（NPAR）越高，死亡和心血管疾病風險也越高。NPAR是個簡單又便宜的血液指標，可以反映發炎和營養狀況，建議定期監測，有助於提升CKD患者的治療成效。 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

這項研究分析180位敗血性休克兒童，發現44.4%會發生急性腎損傷（AKI）。身高較高、蛋白尿、procalcitonin和BUN偏高、base excess偏低、PT延長都是AKI的危險因子，及早用抗生素則有保護效果。研究也建立了一個準確度高的風險預測圖，能幫助醫師早期辨識高風險兒童並及時治療，提升預後。 PubMed DOI

單靠血清肌酸酐（SCr）無法分辨急性腎損傷（AKI）是脫水還是真正腎臟受損。這項印度急診研究測試uNGAL尿液試紙，發現初次檢查uNGAL升高能準確預測持續性腎損傷（SCr超過48小時），且與住院死亡率較高有關。uNGAL試紙特異性高、敏感度中，能幫助急診快速找出真正腎損傷患者。 PubMed DOI