慢性腎病（CKD）的風險分層越來越被重視，成為提升治療和預防的重要工具。這篇綜述探討機器學習（ML）在臨床風險分層中的應用，主要方法包括基因組學和電子健康紀錄（EHR）。四種主要的風險分層方法為：基因組學透過多基因風險分數評估風險；多組學整合生物標記數據；監督式機器學習利用EHR數據進行預測；非監督式機器學習則將患者分群以制定個別護理方案。這些工具有助於提升CKD的風險分層能力，促進更個性化的管理策略。 PubMed DOI

這項研究評估了一個預測2型糖尿病患者腎功能減退的模型，最初是為英國設計的。研究發現，這個模型在全球應用時低估了風險，但經過區域調整後，敏感性提升至80.5%，正確預測值也顯著提高。調整後的模型在不同地區表現良好，對於臨床醫生識別高風險患者特別有幫助，尤其是在中低收入國家，能有效提升腎病篩檢的效率。 PubMed DOI

糖尿病腎病（DKD）是2型糖尿病的一大併發症，對全球健康影響深遠。及早檢測DKD對改善病人結果至關重要。近期，人工智慧（AI）和機器學習（ML）在醫療領域的進展，特別是在預測DKD方面，顯示出良好潛力。研究顯示，AI和ML在預測DKD進展上表現優於傳統模型，並能整合遺傳數據，增進對疾病的理解及個性化治療。儘管面臨數據需求和標準化挑戰，AI和ML仍有潛力改變DKD的管理方式，未來應專注於開發臨床應用的AI工具。 PubMed DOI

這項研究針對老年人新發慢性腎病（CKD）建立了一個簡單的風險預測模型，因為腎功能惡化對這群人來說是一大健康問題。研究包含5,416名65歲以上的參與者，透過多變量Cox回歸分析找出主要預測因子，如年齡、性別、糖尿病等。模型表現良好，兩年、三年和四年的一致性指數分別為0.802，AUC值也相當高。這個模型能有效識別CKD風險，幫助基層醫療進行及時干預。 PubMed DOI

本研究建立並驗證了一個網路預測圖，旨在預測接受健康檢查者在四年內發展為慢性腎臟病（CKD）的風險。研究涵蓋兩個健康檢查中心，共9667名參與者，分析了十六個預測因子。結果顯示，年齡、糖尿病病史、收縮壓等是關鍵因子。預測圖在訓練和驗證隊列中均顯示出良好的區分能力，AUC值分別為0.8806、0.8506和0.9183。此外，還開發了網路計算器，方便醫療提供者在臨床上評估CKD風險。 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

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