敗血症引起急性腎損傷（SA-AKI）是危重病患常見併發症，增加死亡率和醫療成本。傳統方法預測SA-AKI效果參差，因此引起對使用人工智慧（AI）和機器學習（ML）進行更準確預測的興趣。像XGBoost和RNN-LSTM等ML模型在預測SA-AKI和死亡方面表現優異，超越傳統風險評估。AI/ML可量身訂製護理、優化治療，改善SA-AKI患者結果。然而，需克服數據隱私和監管合規挑戰。AI/ML可提早檢測風險、個人化管理，應對SA-AKI。未來發展包括實時監測和預測演算法，以便及時介入，但成功實施需持續改進模型和監管監督。本文探討AI/ML如何改革SA-AKI護理。 PubMed DOI

人工智慧，特別是機器學習，在預測敗血症相關的急性腎損傷（AKI）方面展現潛力。2023年4月28日的系統性回顧分析了2898篇文獻，最終選出25篇相關研究。結果顯示，邏輯回歸和極端梯度提升是最常用的演算法，預測模型主要分為早期識別、預後預測和亞型識別。關鍵因子包括血清肌酸酐、乳酸、年齡等。然而，研究質量普遍較低，需改善臨床效用評估及增強模型實用性。 PubMed DOI

這項研究探討如何利用機器學習模型預測急性胰臟炎相關的急性腎損傷病患的住院死亡率。研究者開發並驗證了這些模型，並與傳統的邏輯回歸進行比較。研究涵蓋1,089名來自MIMIC-IV和eICU的病患，以及176名來自湘雅醫院的病患進行外部驗證。結果顯示，XGBoost模型在訓練組中表現最佳，AUC達0.941，顯著優於其他模型。雖然在外部驗證組中表現稍遜，但仍需進一步研究以確認其普遍性。 PubMed DOI

這項研究中，研究人員針對急診病人開發了一個預測急性腎損傷（SA-AKI）風險的標準圖。他們分析了391名敗血症病人的數據，分為訓練和驗證兩組，並建立了三個預測模型，最終選擇了包含最少指標的模型3。關鍵因素包括使用血管收縮劑、年齡、血小板計數等。模型顯示高準確性，並在預測30天生存率及重大腎事件方面也具有效性，對急診醫生預防SA-AKI相當有幫助。 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

這項研究利用極端梯度提升（XGBoost）模型來預測創傷病患的急性腎損傷（AKI）。研究分析了2015年到2023年期間，17,859名創傷病患的數據，並收集了多項臨床參數。模型基於2021年7月的數據開發，並用2021年8月的數據進行驗證。結果顯示，模型在預測AKI的表現上相當不錯，48小時的AUROC達到0.864，24小時的AUROC則為0.904。關鍵預測特徵包括血清肌酸酐、年齡及其他生化指標。整體而言，XGBoost模型能有效提前預測AKI。 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

這項研究開發了一套預測工具，能評估老年ICU病人發生急性腎損傷（AKI）的風險。模型以15個臨床因素建立，準確度高（AUC約0.81）；簡化版只用5個關鍵因素，表現也不錯（AUC約0.78）。兩者都實用且準確，有助臨床醫師及早辨識高風險病人。 PubMed DOI