面臨腎衰竭的病人在接受維持性透析時，面臨中風和出血的風險。為了評估現有預測模型的有效性，進行了一項系統性回顧，納入截至2024年1月12日的相關研究。結果顯示，雖然有八項研究符合標準，但並未找到專門針對透析病人的中風預測模型，僅有兩項針對出血風險的評分。常用的評分系統在透析人群中表現不佳，顯示目前的預測模型不足，因此亟需開發新的風險評分系統以改善臨床決策。 PubMed DOI

本研究評估機器學習（ML）與傳統統計模型在預測產後出血（PPH）的能力，透過系統性回顧及統合分析進行。研究已在PROSPERO註冊，並遵循報告指導方針。文獻搜尋於2024年1月4日進行，納入35項研究，涵蓋383,648名患者。結果顯示，ML模型在預測PPH的準確性上提高了95%。雖然ML模型顯示潛力，但需大量預測因子，可能限制其在資源有限環境中的應用。研究註冊編號為CRD42024521059。 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

透析期間的低血壓（IDH）是血液透析中常見的問題，現有預測模型常因其複雜性而不足。本研究分析201名接受維持性透析的患者，70%用於訓練，30%用於驗證。IDH定義為收縮壓下降20 mmHg或以上，或平均動脈壓下降10 mmHg或以上。研究團隊透過LASSO回歸分析，找出與IDH相關的五個關鍵變數，並建立多變量邏輯回歸模型。該模型在訓練和驗證隊列中顯示出良好的預測性能，顯示其在準確預測IDH方面的潛力。 PubMed DOI

透析期間的低血壓（IDH）是血液透析常見問題，可能影響健康。最近有一種新方法，透過外部壓力波傳感器，實時估算透析期間的收縮壓（SBP）。本研究評估這種估算器的準確性，與傳統臂帶測量比較。 在單一中心進行的觀察性研究中，21名參與者在兩次4小時的透析中進行監測。結果顯示，實時SBP估算與臂帶測量有強烈相關性，平均差異小且無系統性偏差。95%的實時估算結果在臂帶測量的30%範圍內，顯示出進一步開發的潛力，且不會增加患者負擔。 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

本研究探討透析期間低血壓（IDH）對接受持續腎臟替代療法（CKRT）的重症兒童住院死亡率的影響。研究結果顯示，IDH與死亡率有顯著關聯，風險比為4.40。透析機器的數據，特別是壓力參數，對預測IDH具有重要性，而傳統血壓變數則較不重要。使用機器學習模型（如CatBoost）能有效預測IDH，這些發現有助於改善兒童CKRT患者的早期檢測與管理，進而提升預後。 PubMed DOI

這項研究用四家醫院的資料，開發並驗證一個機器學習模型，能預測洗腎病人心臟瓣膜鈣化的風險。模型根據五個臨床指標建立，最後發現邏輯迴歸的表現最穩定。這工具有助於早期發現高風險患者，提升洗腎病人心臟瓣膜鈣化的篩檢和管理效率。 PubMed DOI

一項6週、31位洗腎患者的研究發現，使用血容量變化導引的超濾控制（BV-UFC）系統，可以有效減少洗腎時發生低血壓的次數，效果比傳統方式更好。BV-UFC會根據即時監測自動調整體液移除速率，幫助達到預定移除量，且安全性無虞，有助提升洗腎穩定性與治療效果。 PubMed DOI

這篇回顧分析發現，中國血液透析患者的虛弱預測模型準確度高（AUC 0.819-0.998），虛弱發生率約32%。主要風險因子有年紀大、白蛋白低、營養差、女性、共病多和憂鬱。不過，現有模型偏倚風險高、缺乏外部驗證，建議未來要有更嚴謹、多中心的研究來提升臨床實用性。 PubMed DOI