最近在腎臟科學領域的數學建模進展，主要分為機制動態系統和人工智慧/機器學習兩大類。機制模型能清楚表現變數間的因果關係，但開發過程較為複雜；相對的，人工智慧則能從大量數據中找出模式，具備強大的預測能力，但解釋上較為困難。慢性腎臟病（CKD）產生了豐富數據，透過正確的建模方法可有效利用。整合這兩種方法，可能有助於提升病患照護，改善腎臟科學的決策與結果。 PubMed DOI

本研究旨在建立一個框架，利用大型語言模型（LLMs）預測老年患者術後急性腎損傷（AKI）的結果。研究顯示，LLMs克服了傳統機器學習模型在預測疾病時的低泛化能力和可解釋性問題。透過提示工程和知識蒸餾，我們評估了來自中國和南韓的數據，結果顯示LLMs在準確率上優於傳統模型，並提供了可讀的解釋，改善臨床理解。此框架為臨床提供了更可靠的預測工具。 PubMed DOI

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

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

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

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

這項研究開發了一套新模型，把臨床資料轉成文字，再結合數值資訊，利用大型語言模型來預測心肺繞道手術前發生急性腎損傷的風險，準確率高達AUC 0.92。研究也找出哪些術前和術中措施有助預防AKI，能幫助醫師更早預測並預防相關風險。 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