使用集成学习和可解释的人工智能来视觉化慢性肾脏疾病的主要特征、特征得分和价值，提高对该疾病早期预测和检测的准确性，为临床医生开处方推荐个体患者的生活方式改变以减缓疾病进展提供帮助。

Jun, 2024

开发了一个可解释的机器学习系统，用于预测有心血管风险的患者中的慢性肾脏病，在全球解释性框架、生物医学相关性和安全性评估等方面具有突出优势。

Apr, 2024

本研究利用机器学习模型，动态识别慢性肾脏疾病患者，预测其是否需要肾脏替代治疗，可提前至一年。在研究中，我们对近三百万医保受益人进行了超过八百万次预测，证明该模型可实现超过 90％的灵敏度和特异度。该研究为筛查患者并进行早期干预以改善肾脏替代治疗成果提供了基础。

Sep, 2022

我们的研究旨在利用 CT 扫描图像质量增强方法和自适应局部二进制模式（A-LBP）特征提取方法，结合五个分类器和软投票方法，实现对肾脏异常的自动检测，并取得 99% 以上的准确率。

Apr, 2024

为了解决机器学习在早期透析预测中的挑战，本研究评估了不同的数据增强技术在现实世界数据集上的有效性，并提出了一种名为 Binary Gaussian Copula Synthesis（BGCS）的新方法，该方法通过生成与原始数据分布相似的少数类数据来提高早期透析预测的准确性。此外，我们还设计了一种基于机器学习的临床决策支持系统（CDSS），以帮助临床医生做出明智的决策并有效制定 CKD 患者的治疗计划。

Mar, 2024

本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测，使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标，并通过一个堆叠式集成方法来评估临床决策支持系统的影响。

Apr, 2023

利用深度学习方法，通过分析患者基因表达，实现对多囊肾病的早期检测。

Sep, 2023

通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

Jul, 2023

通过机器学习方法分析血清代谢物对糖尿病肾病（DN）的影响，预测 DN 的患病率。使用 Least absolute shrinkage and selection operator（LASSO）回归模型和 10-fold 交叉验证选择了最佳特征，通过 AUC-ROC 曲线、决策曲线和校准曲线比较了四种机器学习算法。使用 Shapley Additive explanations（SHAP）方法量化了最佳预测模型中的特征重要性和交互效应。XGBoost 模型在筛选 DN 方面表现最佳，AUC 值最高为 0.966，且相比其他模型具有更多的临床净收益和更好的拟合度。此外，血清代谢物与糖尿病持续时间之间存在显著的相互作用。通过 XGBoost 算法开发了用于筛选 DN 的预测模型，C2、C5DC、Tyr、Ser、Met、C24、C4DC 和 Cys 在模型中具有重要贡献，有可能成为 DN 的生物标志物。

Sep, 2023

这项研究通过使用病人处方数据作为模态性能提高急性肾损伤预测的现有模型的新方法，采用电子健康记录（EHR）数据提取相关病人处方信息，将其转化为所选药物表示法（扩展连接指纹）进行研究，并采用独特的多模态方法，应用于临床药物表示，建立了一个在预测急性肾损伤方面从未被任何研究所使用的程序。结果表明，通过将扩展连接指纹等药物特征与人口统计学和实验室检测值等常见队列特征结合起来，我们在急性肾损伤预测任务的模型性能中取得了明显的改善，超过了不包括药物表示作为特征的基线模型，这表明我们的独特方法增强了现有的基准技术，凸显了在重症监护设置中预测急性肾损伤中药物数据的相关性。

Jan, 2024