血液透析患者若有心臟瓣膜鈣化（HVC），尤其是新開始透析或使用導管的患者，更容易發生心血管事件，尤其是急性心衰竭。雖然死亡率沒有明顯差異，但透析過程、二尖瓣鈣化和主動脈瓣問題也會增加風險。總之，HVC對血液透析患者的心血管健康是個重要的預測因子。 PubMed DOI

在血液透析患者中，血管鈣化很常見，並導致高死亡率。這項研究探討了血液透析患者血清miR-15a水平與血管鈣化之間的關係。他們發現miR-15a、年齡和白血球計數是血管鈣化的獨立風險因子。使用這些因子的預測模型在預測血管鈣化風險方面表現良好。 PubMed DOI

一項研究開發了一個用於血液透析患者血管鈣化（VC）的診斷預測模型，利用miR-129-3p和臨床指標。該模型在驗證群中表現出良好的預測性能和穩定性。miR-129-3p在細胞實驗中被發現可以減輕VC，並且在人體中與VC呈負相關。包括miR-129-3p、年齡、透析時間和吸菸在內的模型可以幫助進行風險分層和決策，以降低這些患者心血管事件的風險。 PubMed DOI

機器學習新模型能準確預測CKD患者未來6-12個月可能發展為腎衰竭，並在加拿大安大略省驗證成功。應用此模型可降低非計畫性透析率，改善CKD到腎衰竭的過渡。需進一步研究有效運用此模型。 PubMed DOI

這研究用血清Klotho開發並驗證機器學習模型，可預測慢性腎臟病患者的末期腎臟病和心血管疾病。模型在400名患者數據上訓練，表現良好預測ESKD和CVD風險。最佳ESKD模型包括估算腎小球過濾率、血清Klotho等特徵，CVD模型則包括年齡、血清Klotho等特徵。這些模型對CKD患者風險預測有臨床應用價值。 PubMed DOI

研究針對末期腎臟疾病（ESKD）患者的冠狀動脈鈣化情況進行調查，使用Agatston冠狀動脈鈣化分數（CACS）評估鈣化嚴重程度。研究開發了一個預測模型，可估計ESKD患者嚴重鈣化的風險。結果顯示年齡、洗腎歷程、藥物治療和血液檢驗結果等因素是影響ESKD患者鈣化風險的重要因素。左前降支冠狀動脈鈣化比例最高。這個模型有助於評估ESKD患者的鈣化風險，特別是無法進行冠狀動脈CT掃描的患者。 PubMed DOI

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