這項研究調查了腎衰竭兒童的共存醫療狀況，並比較了電子醫院紀錄與英國腎臟登記處的數據。研究對象為2016年12月31日前在英格蘭和威爾士接受腎臟替代療法的18歲以下兒童，共869名，男性佔62.5%。結果顯示，UKRR報告的共存疾病盛行率高於電子健康紀錄，且先天性非腎臟疾病最常見。醫院紀錄對先天性心臟病和惡性腫瘤的敏感性較高，但兩者的一致性僅為中等。研究強調電子健康紀錄低估了共存疾病的報告，需改進登記過程。 PubMed DOI

這項研究評估了一種人工智慧演算法，專門用來分析心電圖（ECG）以檢測高鉀血症，並在急診部和重症監護病房進行測試。在急診部的40,128名患者中，演算法的曲線下面積（AUC）為0.88，敏感度和特異度均為80%，陰性預測值（NPV）高達99.8%，但陽性預測值（PPV）僅3%。在重症監護病房的2,636名患者中，結果相似，NPV為99%，PPV為14%。總體來看，這個AI-ECG演算法在排除高鉀血症方面表現良好，但在確診上仍有不足。 PubMed DOI

這項研究評估了丹麥使用SNOMED II代碼來分類醫療腎臟活檢報告的有效性，旨在增強腎臟疾病的流行病學研究。研究分析了1998至2018年的腎臟活檢報告，並由腎臟科醫師進行臨床診斷。結果顯示，腎小球疾病、糖尿病腎病和系統性疾病的正向預測值較高，而腎小管間質疾病和腎血管疾病的預測值較低。整體而言，SNOMED代碼對某些腎臟疾病的分類是可靠的，對未來研究具實用價值。 PubMed DOI

這個專案旨在開發一個全面的慢性腎臟病進展模型（CKD-PM），不僅評估腎衰竭風險，還考量相關併發症。研究人員透過文獻回顧，識別風險因素及預測方程式，並從美國及國際的CKD登記資料中獲取數據。CKD-PM是一個患者層級的狀態轉移模型，依據KDIGO指導方針進行健康狀態分類。模型經內外部驗證，準確預測全因及心血管死亡率，並對腎小管過濾率變化提供可接受的預測，顯示出其穩健性與可靠性。 PubMed DOI

這項研究驗證了一個急性腎小管間質性腎炎（AIN）的診斷模型，使用了約翰霍普金斯醫院和耶魯大學的腎臟活檢數據。研究分析了1982名2019至2023年間接受腎臟活檢的患者，發現AIN的活檢確認比例低於開發隊列。模型的區分能力在所有隊列中一致，AUC為0.73。雖然校準不完美，但經過調整後有所改善，並提升了臨床醫師對AIN的懷疑能力，AUC達到0.77。總之，模型需重新校準以符合當地流行率，增強預測能力。 PubMed DOI

這項研究探討糖尿病在腎臟疾病中的重要性，特別是第二型糖尿病（T2D）與慢性腎臟疾病（CKD）的關聯。研究指出基層醫療中對CKD患者的T2D檢測與管理存在缺口，並提出利用社區藥師來改善這一情況。研究團隊開發了算法，幫助藥師識別T2D和CKD患者，並開立腎臟保護藥物。經過18位藥師的驗證，這些算法顯示出高內容效度和表面效度，特別針對eGFR在30到60 mL/min/1.73 m²的患者。這是首個針對社區藥師的相關研究，未來將評估其實施效果。 PubMed DOI

這項研究分析了南韓末期腎病（ESKD）患者在急診部的就診情況，使用了2019至2021年的數據。結果顯示，ESKD患者的住院率（66.7%）和死亡率（9.4%）明顯高於非慢性腎病患者（分別為21.0%和5.1%）。這些患者通常年齡較大，女性比例較高，且多數需要醫療援助。主要影響住院和死亡率的因素包括高齡、男性、轉診及急診停留時間等。常見就診原因有血管併發症、消化系統疾病等。研究強調了ESKD患者急診就診的嚴重性，建議進一步研究以改善臨床結果。 PubMed DOI

為住院的慢性腎病（CKD）患者安全開立藥物相當複雜，電子健康紀錄（EHR）能增強決策支持。研究分析了2018至2023年間阿姆斯特丹大學醫療中心的EHR數據，檢視六個邏輯規則，識別出17,805名CKD患者。發現KDIGO-CKD的臨床定義需大量努力來適應EHR數據，且許多患者未有相應診斷代碼。這強調了腎臟科醫生與EHR專家的合作，以建立標準化的CKD定義，改善群體識別。 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

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