研究使用機器學習預測AKI患者腎功能恢復，分析兩家醫院350,345例病例。模型準確，找出影響恢復的關鍵因素。研究提供預測AKI患者腎功能恢復的見解，但仍需改進和擴充數據集。 PubMed DOI

住院期間的急性腎損傷（AKI）會顯著提高併發症和死亡率風險。研究分析了56,820名成人患者的數據，發現24.5%的患者有AKI，其中只有3.3%被正確診斷為完全AKI，68%的AKI病例未被檢測到。與完全AKI患者相比，未檢測的AKI患者年齡較輕、合併症較少，死亡率也較低。這項研究強調了住院患者中AKI識別的差異性及未檢測病例的普遍性，顯示準確診斷AKI對改善患者結果的重要性。 PubMed DOI

這項研究分析了2002至2012年間巴西里約熱內盧170家醫療機構的17,158名急性腎損傷（AKI-D）患者，探討其複雜性。研究發現，患者中位年齡為75歲，感染是主要原因，特別是社區獲得性肺炎。透過潛在類別分析，識別出四個患者類別，顯示不同類別的死亡率和恢復情況差異。研究強調了AKI的異質性，建議未來研究應結合臨床特徵與先進診斷技術，以深入了解AKI的臨床及分子層面。 PubMed DOI

急性腎損傷（AKI）是一種複雜的病症，近期人工智慧的進展有助於識別AKI的亞表型，從而改善治療方案和預測結果。針對2017至2022年的研究進行系統性文獻回顧，發現不同人群的亞表型識別存在顯著差異。所有研究均使用臨床數據進行患者分組，並探討合併症及實驗室結果的影響。雖然亞表型與死亡率及腎臟恢復的關聯性各異，但識別這些亞表型能幫助醫生更好地管理患者。未來研究應在更大且多樣化的人群中驗證這些結果，以提升臨床應用的相關性。 PubMed DOI

這項研究探討術後急性腎損傷（PO-AKI）與長期死亡風險的關聯，並運用先進的機器學習方法提升預測準確性。研究分析了199,403名患者的數據，發現PO-AKI患者的生存率顯著低於未發展此病的患者。使用XGBoost模型的預測準確性最高，顯示機器學習技術在預測PO-AKI後的死亡率上具有潛力，能幫助改善臨床干預和患者結果。 PubMed DOI

這項研究旨在找出能預測急性腎損傷（AKI）後慢性腎病（CKD）長期風險的臨床變數和生物標記。研究分析了723名住院AKI患者的數據，使用機器學習技術預測三年內的重大不良腎事件（MAKE）。結果顯示，28%的患者在三年內發生MAKE，且預測模型表現良好。重要的預測因子包括白蛋白尿和利尿劑使用。研究結論指出，結合臨床數據和生物標記能有效識別高風險患者，促進個性化護理，改善長期結果。 PubMed DOI

急性腎損傷（AKI）是心臟衰竭（HF）患者常見的併發症，且會影響預後。本研究探討HF患者中AKI與平均動脈壓（MAP）變化的關係，使用重症監護醫學資訊庫IV（MIMIC-IV）的數據進行回顧性分析。研究發現，MAP快速下降的患者（類別4）發展AKI的風險顯著高於低中等MAP的患者（類別3）。相對而言，中等MAP的患者風險較低。結果顯示，密切監測MAP變化對預防HF患者的AKI至關重要。 PubMed DOI

急性腎損傷（AKI）是一個重要的臨床問題，影響近20%的住院病人及超過50%的重症監護病房病人。研究顯示，14%的病人經歷AKI，大多數為第一期，持續性AKI的病人佔31%，且這類病人有較差的臨床結果，包括更高的死亡率和更長的住院時間。持續性AKI病人的一年死亡率是沒有AKI病人的五倍，顯示出需要針對性策略來有效管理AKI，防止其持續發展。 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