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

急性腎損傷（AKI）在住院兒童中常見，因此開發可靠的預測模型來評估AKI後的結果非常重要。本研究分析了來自中國兩家兒童醫院的8,205名AKI住院兒童，主要評估住院死亡率及28天內需透析的情況。研究使用遺傳算法選擇特徵，並採用隨機森林模型進行預測，結果顯示該模型在預測住院死亡率的AUROC達0.854，透析需求的AUROC更高達0.889，且表現優於傳統的兒童重症疾病評分，顯示出良好的臨床應用潛力。 PubMed DOI

急性腎損傷（AKI）在重症監護病房（ICU）病人中很常見，且與高 morbidity 和 mortality 相關。因為目前沒有針對 AKI 的特效藥，持續性腎臟替代療法（CRRT）成為主要治療。本研究建立並驗證了一個預測重症 AKI 病人在接受 CRRT 後 90 天死亡率的模型。研究分析了1121名病人的數據，並利用Cox比例風險回歸開發了預測模型，包含七個預測因子。模型在訓練組和驗證組中表現良好，能有效識別高風險患者。 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

本研究探討透析期間低血壓（IDH）對接受持續腎臟替代療法（CKRT）的重症兒童住院死亡率的影響。研究結果顯示，IDH與死亡率有顯著關聯，風險比為4.40。透析機器的數據，特別是壓力參數，對預測IDH具有重要性，而傳統血壓變數則較不重要。使用機器學習模型（如CatBoost）能有效預測IDH，這些發現有助於改善兒童CKRT患者的早期檢測與管理，進而提升預後。 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

這項研究分析了重症急性腎損傷（AKI）需要持續腎臟替代療法（CKRT）的重症兒童在九年間的不良結果。217名患者中，近一半在醫院內去世，平均住院42.71天，ICU住26.88天，使用呼吸器21.04天。高基線腎小管過濾率（eGFR）、血管活性藥物使用、輸血次數及液體平衡百分比（PFB）等因素與高死亡率相關。長期追蹤中，16%患者在1.3年內去世，23%倖存者面臨慢性腎病風險。研究強調可調整的風險因素對短期及長期預後的重要性。 PubMed DOI

這項研究發現，中性球百分比與白蛋白比值（NAR）是一個簡單又有效的指標，可以預測有腹水的肝硬化病人發生急性腎損傷（AKI）的風險。特別是NAR大於23.2時，預測嚴重AKI的準確度很高。NAR、白蛋白和慢性腎臟病是最重要的預測因子，未來有機會成為臨床上早期篩檢AKI的實用工具。 PubMed DOI

這項針對113位接受CKRT的重症兒童研究發現，死亡率為26.6%。最主要的死亡預測因子是血流動力學不穩定（需用升壓藥）和凝血異常（未用heparin）。其他高死亡率相關因素有：疾病嚴重、敗血症、插管久、低白蛋白、多重原因腎損傷及單純體液過多。血流動力學不穩定是最強的死亡預測因子。 PubMed DOI

這項研究分析超過1.7萬名ICU急性腎損傷病人，根據腎功能和尿量變化分成四種亞型。結果發現，腎功能惡化但尿量增加的病人死亡率最高，腎功能改善且尿量穩定的病人預後最好。這有助於未來針對不同AKI病人，提供更精準的治療建議。 PubMed DOI