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

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

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

這項研究發現，ICU的敗血性急性腎損傷患者，入院時FAR（纖維蛋白原/白蛋白比值）越高，未來一年內的死亡風險就越高。FAR超過約35 mg/g時，死亡率特別明顯上升。FAR有機會成為預測病人預後和指引治療的重要指標。 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

這項研究開發了一套預測工具，能評估老年ICU病人發生急性腎損傷（AKI）的風險。模型以15個臨床因素建立，準確度高（AUC約0.81）；簡化版只用5個關鍵因素，表現也不錯（AUC約0.78）。兩者都實用且準確，有助臨床醫師及早辨識高風險病人。 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