這項研究的目的是開發和驗證機器學習模型，以預測接受腹膜透析（PD）患者近期的全因死亡和心血管死亡。研究涵蓋7,539名PD患者，並採用5折交叉驗證法進行數據分組。模型利用患者的人口統計、臨床特徵、實驗室結果及透析相關變數進行預測。結果顯示，模型在測試集中的預測能力強，全因死亡的AUROC達0.8767，心血管死亡的AUROC達0.9026，且精確度-召回曲線得分也很高。CVDformer模型在預測PD患者三個月內的死亡方面表現優異，但未來仍需進一步校準。 PubMed DOI

這項研究開發了一個風險模型，利用心電圖（ECG）結果來預測接受血液透析（HD）患者的全因死亡率。研究涵蓋454名患者，期間從2008年到2021年。研究人員透過多變量Cox回歸分析找出關鍵預測因素，如年齡、血清白蛋白、中風病史、心房顫動及QT間期。隨訪三年中，21.5%的患者去世，預測模型的曲線下面積（AUC）達0.83，顯示良好區分能力，並能早期識別高風險患者，提供更安全的治療策略。 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

瓣膜鈣化在慢性腎病（CKD）患者中相當普遍，會顯著提高心血管疾病和死亡率的風險。雖然這個問題很常見，但導致心臟瓣膜鈣化的機制仍不清楚，目前的治療方法也未能有效預防。這篇綜述希望增進我們對CKD及其治療對瓣膜細胞影響的理解，並強調臨床前研究中發現的新治療靶點，同時檢視近期針對CKD患者瓣膜鈣化的臨床試驗。 PubMed DOI

這項多中心研究開發並驗證了一套用常規血液檢查數據（像是Scr、eGFR、PTH、BNP及性別）的機器學習模型和臨床風險預測圖，可準確預測慢性腎臟病患者的腎臟纖維化嚴重度，提供一個可取代侵入性腎臟切片的實用工具，且在不同驗證隊列中表現都很穩定，未來有望成為臨床上動態、非侵入性評估纖維化的新方法。 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

這項研究針對1,016位洗腎病人，開發了一個預測自體動靜脈瘻管血栓風險的工具。研究發現五個重要風險因子，包括hs-CRP、導管使用史、洗腎時間、瘻管狹窄和非高密度脂蛋白膽固醇。這個模型預測準確度高（AUC約0.82），能幫助醫師評估病人血栓風險。 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DARWIN-Renal資料，開發並比較四種機器學習模型來預測第二型糖尿病患者腎功能惡化風險。結果發現，納入病患過去的就診紀錄後，預測準確度明顯提升，尤其是循環神經網路表現最好。這說明利用病患的長期資料，有助於及早找出高風險族群。 PubMed DOI

這項研究針對血液透析病人，開發了一個簡單的風險評分工具，只要看透析通路使用時間、臀圍和有無糖尿病，就能有效預測血管鈣化風險。這模型表現不錯，能幫助醫師及早發現高風險病人，及時介入，保護透析通路。定期量臀圍也是個實用的監測方法。 PubMed DOI