人工智慧（AI）在腎臟科，特別是預測住院急性腎損傷（AKI）方面的應用逐漸增多。近期的進展促使多種AI技術發展，提升了不同醫院對AKI的檢測能力。這篇綜述探討了AKI風險預測的演變，對比傳統靜態風險評估模型與新興的AI方法。雖然目前對這些AI模型在臨床應用及病人結果的數據仍有限，但文章對AI在AKI檢測和管理的未來持樂觀態度。 PubMed DOI

電子健康紀錄（EHRs）中的非結構化數據包含重要的病患資訊，自然語言處理（NLP）能有效提取這些數據，省去手動檢查的麻煩。NLP首先對文本進行預處理，強調關鍵術語，並去除不相關信息。現代NLP利用機器學習和深度學習技術，能更好理解上下文。 在腎臟病研究中，NLP能準確識別慢性腎病（CKD）及提取病患症狀，並指出與急性腎損傷和CKD進展相關的特徵。儘管NLP潛力巨大，但在臨床應用上仍緩慢，主要因為缺乏外部驗證。NLP能從自由文本中提取關鍵資訊，卻在腎臟病領域未被充分利用。 PubMed DOI

腎臟科的研究越來越重視複雜的分子系統及其與疾病和治療的關聯。隨著組學科學和數位健康的進步，研究變得更依賴數據，並需要強大的計算工具來處理新生物標記。人工智慧（AI）和機器學習（ML）在分析各類數據上展現出優勢，但目前只有少數基於ML的醫療決策系統經過驗證可用於臨床。為了有效整合新發現，需發展可解釋的ML方法和個人化醫療策略。AI驅動的「智慧腎臟科」仍在起步階段，面臨數位鴻溝等挑戰。這篇社論探討了AI在腎臟科的應用，並介紹了相關特刊。 PubMed DOI

精準醫療的目標是根據每位病人的疾病特性來客製化治療，以提升療效。慢性腎臟病（CKD）是這種方法的最佳範例，因為其病況複雜且多樣。傳統的生物標記如eGFR和uACR雖然有助於診斷，但往往過於簡化CKD的多樣性，忽略了個別病人的差異。因此，亟需新的生物標記來更準確地反映CKD的進展原因。這篇評論呼籲腎臟科醫師採取更深入的病理生理學觀點，推動個人化醫療的發展。 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

Omics技術大幅推進了腎臟病學的發展，讓我們更深入了解腎臟疾病的分子機制。這些技術幫助開發更準確的診斷工具和治療策略，並提供預後標記。整合多層次的omics數據，包括大規模、單細胞和空間omics，讓我們能全面理解腎臟的健康與疾病狀態。 本篇綜述探討了整合不同omics層次（如轉錄組、表觀基因組和空間數據）的方法與挑戰，並強調這對於研究糖尿病腎病和多囊腎等疾病的重要性。這種整合方法正在改變腎臟病學的診斷與治療，對改善病人結果至關重要。 PubMed DOI

慢性腎臟病（CKD）是全球公共健康的重大挑戰，導致心血管疾病和死亡率上升。為了改善CKD管理，這篇回顧分析了2014至2024年間41篇文章，探討人工智慧（AI）在早期檢測、風險預測、治療建議及病人護理中的應用。研究顯示，AI能有效提升病人結果，但實施過程中面臨數據質量、模型準確性及工作流程整合等挑戰。成功整合AI需醫療界、研究者及監管機構的合作，以確保病人安全和法律合規。 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

基因檢測已從小兒科擴展到成人腎臟科，發現約兩成原因不明的慢性腎臟病其實有遺傳因素。結合遺傳學能提升治療、移植和預防效果，但也帶來倫理挑戰。要發揮腎臟基因學的好處，還需要多專科團隊合作。 PubMed DOI

AI 正在翻轉腎臟科，協助提升腎臟病的診斷、預測和治療，但臨床應用還有資料品質、偏誤和透明度等挑戰。文章提出用 TRIPOD-AI 檢查表來審查 AI 研究，強調資料完整、模型驗證和倫理。建議多元資料和多中心驗證來減少偏誤。未來會結合多種資料、深度學習影像、穿戴裝置和更智慧的決策系統。 PubMed DOI