這項研究針對自體動靜脈瘻管（AVF）發生血栓的風險，開發並驗證了機器學習模型。研究在哈爾濱醫科大學第二附屬醫院的血液透析中心進行，涵蓋270名患者，時間範圍為2021年3月至2022年12月。結果顯示，105名患者出現AVF血栓，52.6%的AVF患者有長期併發症，血栓最為常見。研究開發了五種機器學習模型，評估結果顯示其預測AVF血栓風險的準確性高，對早期臨床介入有幫助。 PubMed DOI

這項研究探討如何利用機器學習模型預測慢性透析病人的血液透析適切性，特別是spKt/V。傳統方法需在透析前後採血，限制了評估頻率。研究分析了373名末期腎病患者的1869次透析數據，聚焦87個相關變數。經過數據預處理後，開發了六個二元分類模型，隨機森林模型表現最佳，AUROC分數分別為0.860和0.873。關鍵預測因素包括血管通路、性別、體重指數等。結果顯示，機器學習能有效預測透析適切性，未來可望在臨床中進行非侵入性評估。 PubMed DOI

這項研究針對無法使用抗凝劑的血液透析（HD）患者，建立並驗證了一個凝血風險預測模型。研究分析了164名患者在2022年1月至2023年6月的299次HD數據，找出凝血的風險因素。結果顯示，無抗凝劑HD的凝血發生率為35.1%，主要風險因素包括血小板、紅血球比容、透析液類型及年齡。預測模型的AUC為0.76，顯示出良好的臨床效用，能幫助評估這些患者的凝血風險。 PubMed DOI

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

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