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

糖尿病腎病（DKD）是2型糖尿病（T2DM）患者常見的併發症。本研究針對12,190名T2DM患者的電子健康紀錄，開發機器學習演算法來預測DKD風險。研究找出了主要風險因素，如年齡、尿液白蛋白與肌酸酐比率等。最終，Light Gradient Boosting Machine（LightGBM）模型在預測準確性上表現最佳。這項研究顯示，透過機器學習可以有效預測DKD風險，幫助早期介入，改善患者的腎臟健康。 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

這項研究用機器學習模型（特別是 LGBM）來預測有營養不良風險患者的急性腎臟疾病、急性腎損傷和死亡率，效果不錯，也找出重要風險因子。團隊還開發了 AI 網頁工具，幫助醫師早期介入治療。未來會持續優化並擴大這些工具的應用。 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

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

這項西班牙研究發現，約一半糖尿病患者的腎臟問題其實不是糖尿病腎病，且這些人的預後較好。研究也提出五項臨床指標，幫助醫師預測患者是否屬於非糖尿病性腎臟病，協助決定是否需要做腎臟切片。 PubMed DOI

KFRE公式預測腎衰竭風險，對有無糖尿病的病人都一樣準確，但在75歲以上長者會高估風險。糖尿病不影響KFRE準確度，但年紀大的人預測效果較差。 PubMed DOI