ABSTRACT ITALIANO

Introduzione
L’ipotensione intradialitica (IDH) rappresenta una delle complicanze più comuni e gravose dell’emodialisi, associata a ischemia d’organo, compromissione cognitiva, ospedalizzazioni e incremento della mortalità nei pazienti con malattia renale cronica in stadio terminale (ESKD). Nonostante le strategie preventive attualmente adottate, l’IDH persiste con una prevalenza compresa tra il 5% e il 40%, influenzata da fattori eterogenei e da una mancanza di consenso definitorio.
Obiettivo
Questa revisione mira a esplorare l’evoluzione e l’efficacia dell’applicazione dell’intelligenza artificiale (IA) e dell’apprendimento automatico (ML) nella previsione dell’IDH, valutandone le potenzialità, le metodologie impiegate e le sfide operative.
Metodi
La ricerca bibliografica ha incluso studi pubblicati in letteratura, selezionati secondo i criteri PRISMA. Sono stati inclusi articoli che impiegavano modelli predittivi basati su IA/ML per l’identificazione del rischio di IDH in pazienti emodializzati. Le informazioni estratte comprendevano: algoritmi utilizzati, fonti dei dati, variabili predittive, performance del modello e modalità di validazione.
Risultati
Sono stati inclusi 19 studi condotti in ambito internazionale. Gli algoritmi più frequentemente adottati comprendevano Random Forest, Support Vector Machine (SVM), XGBoost, reti neurali profonde (DNN), ricorrenti (RNN) e convoluzionali (CNN). In diversi casi, le AUROC superavano 0,90, indicando un’elevata accuratezza predittiva. Alcuni studi hanno integrato segnali fisiologici in tempo reale (PPG, ECG, parametri delle macchine da dialisi) e tecniche di explainable AI (es. TreeSHAP), migliorando trasparenza e applicabilità clinica. Tuttavia, la prevalenza di studi retrospettivi, l’assenza di validazioni esterne e la mancata univocità nella definizione di IDH rappresentano limiti rilevanti.
Conclusioni
L’integrazione di IA e ML nella gestione dell’IDH costituisce una promettente frontiera della medicina personalizzata in nefrologia. L’adozione diffusa richiederà studi prospettici multicentrici, dataset standardizzati e modelli trasparenti, integrabili nei sistemi di supporto alle decisioni cliniche (CDSS), in un’ottica di maggiore sicurezza, efficienza e individualizzazione della cura.
Key words
Emodialisi, Ipotensione intradialitica, Intelligenza artificiale, Apprendimento automatico, Modelli predittivi.

ABSTRACT INGLESE

Introduction
Intradialytic hypotension (IDH) is a frequent and clinically significant complication of hemodialysis, associated with adverse outcomes such as organ ischemia, cognitive impairment, hospital admissions, and increased cardiovascular mortality in patients with end-stage kidney disease (ESKD). Despite existing preventive measures, the incidence of IDH remains high, ranging from 5% to 40%, largely due to patient heterogeneity and the absence of a unified diagnostic definition.
Objectives
This review explores the emerging role of artificial intelligence (AI) and machine learning (ML) in predicting IDH, highlighting the types of models used, their predictive capabilities, and the challenges involved in their clinical integration.
Methods
Relevant literature was reviewed to identify studies applying AI or ML techniques for IDH prediction in hemodialysis patients. Key aspects of each study were analyzed, including model architecture, data inputs, performance metrics, and validation strategies.
Results
A diverse range of AI and ML algorithms were employed across the studies reviewed, including Random Forest, Support Vector Machine (SVM), XGBoost, and advanced neural network models such as DNNs, RNNs, and CNNs. Several models demonstrated strong predictive performance, with AUROC values frequently exceeding 0.90. Some approaches integrated real-time physiological data (e.g., PPG, ECG, dialysis machine parameters) and explainable AI methods (e.g., TreeSHAP), improving model transparency and enhancing clinical acceptance. However, common limitations included inconsistent IDH definitions, reliance on retrospective data, and insufficient external validation.
Conclusions
AI- and ML-based predictive tools hold promise for advancing personalized care in the management of IDH. To ensure effective implementation in clinical settings, future research should focus on model interpretability, robust validation across diverse populations, and seamless integration into clinical decision support systems (CDSS) to support data-driven, individualized dialysis care.
Key words in
Hemodialysis, Hypotension, Artificial Intelligence, Machine Learning, Predictive Models.

INTRODUZIONE

La malattia renale cronica rappresenta una condizione progressiva ad elevato impatto epidemiologico, con una prevalenza globale di circa il 10% e oltre 1,2 milioni di decessi annui (Kalantar Zadeh et al., 2021). Nei pazienti che raggiungono la fase terminale, l’emodialisi costituisce la terapia sostitutiva più diffusa, ma è associata a un tasso di mortalità annuale che può superare il 15–20% (Saran et al., 2019). Tra le complicanze più comuni si colloca l’ipotensione intradialitica, con una prevalenza variabile tra il 5% e il 40% delle sedute e valori fino al 50–60% nei pazienti ad alto rischio (Chou et al., 2017; Kuipers et al., 2019). Tale variabilità riflette l’assenza di una definizione diagnostica condivisa e la molteplicità dei fattori predisponenti, tra cui età avanzata, cardiopatia, diabete, incremento ponderale interdialitico superiore al 4–5% del peso secco e disfunzione autonomica (Hamrahian et al., 2023; Kanbay et al., 2020).
Gli episodi ricorrenti sono associati a ischemia cerebrale e miocardica, deterioramento cognitivo, ospedalizzazioni e incremento della mortalità cardiovascolare (Assimon et al., 2019; Stefánsson et al., 2014). Le strategie preventive tradizionali mostrano efficacia limitata e non consentono una personalizzazione dinamica del trattamento (Tsujimoto et al., 2019). In questo contesto, l’intelligenza artificiale sta emergendo come un approccio innovativo, capace di integrare grandi quantità di dati clinici e fisiologici per migliorare la previsione degli eventi ipotensivi e supportare decisioni terapeutiche tempestive (Gaweda et al., 2022).

OBIETTIVI

Analizzare criticamente gli studi che hanno applicato modelli di intelligenza artificiale alla previsione dell’ipotensione durante l’emodialisi, valutandone metodologie, prestazioni e limiti, al fine di delineare prospettive di integrazione clinica.

METODI

È stata condotta una revisione narrativa secondo criteri metodologici strutturati (Grant & Booth, 2009; Baethge et al., 2019). La formulazione della domanda di ricerca ha adottato il modello PICO, con un focus su pazienti in emodialisi (P), applicazione di intelligenza artificiale per la previsione dell’IDH (I) e valutazione dell’efficacia predittiva mediante appropriati indicatori di performance (O). Le ricerche bibliografiche sono state condotte interrogando le principali banche dati scientifiche e fonti complementari, impiegando termini MeSH e operatori booleani mirati a “Artificial Intelligence” AND “Intradialytic Hypotension”. La selezione è avvenuta tramite screening indipendente di titoli, abstract e full text disponibili. Per ciascun lavoro sono stati estratti algoritmi utilizzati, caratteristiche dei dataset, variabili predittive, metriche di performance e modalità di validazione.

RISULTATI

La ricerca bibliografica condotta tra dicembre 2024 e gennaio 2025 ha identificato 66 record. Dopo la rimozione dei duplicati e una selezione preliminare basata su titolo e abstract, sono stati individuati 19 studi con testo completo disponibile, tutti inclusi nella revisione secondo i criteri prestabiliti (Tabella 1). Il processo di selezione è illustrato nella flow chart PRISMA.
Gli studi analizzati presentavano un’elevata eterogeneità metodologica, ma condividevano l’obiettivo di sviluppare modelli predittivi per l’ipotensione intradialitica mediante tecniche di apprendimento automatico. La maggior parte dei lavori utilizzava dataset retrospettivi di ampie dimensioni, integrando variabili demografiche, cliniche, laboratoristiche e parametri dialitici quali pressione arteriosa, velocità di ultrafiltrazione e incremento ponderale interdialitico. In diversi casi venivano inoltre incorporati segnali fisiologici ad alta frequenza, come elettrocardiogramma (ECG) e fotopletismografia (PPG), con l’obiettivo di migliorare la sensibilità predittiva.
Gli algoritmi impiegati includevano approcci classici (alberi decisionali, support vector machines, foreste casuali) e metodi avanzati quali XGBoost, LightGBM, reti neurali artificiali e modelli di deep learning. Le performance predittive risultavano generalmente elevate: in numerosi studi l’area sotto la curva ROC superava 0,90, con valori prossimi a 0,95 nei modelli basati su gradient boosting e reti neurali convoluzionali (Lee et al., 2021; Zhang et al., 2023).
Una parte rilevante della letteratura si concentrava sulla previsione temporale dell’ipotensione, con modelli capaci di anticipare l’evento da 10 a 75 minuti prima della sua insorgenza. Tra questi, i modelli basati su segnali fisiologici hanno mostrato particolare efficacia: il framework di Vaid et al. (2023), basato su ECG pre dialitici, ha raggiunto una sensibilità di 0,80, mentre l’approccio di Nafisi et al. (2018), fondato su caratteristiche estratte dal segnale PPG, ha ottenuto una precisione del 94,5%. Altri studi hanno sviluppato strumenti operativi per il supporto clinico, come la dashboard predittiva proposta da Yang IN et al. (2024), che ha mostrato un’AUC di 0,936 e un’accuratezza complessiva pari a 0,858.
Modelli orientati alla previsione del rischio nella seduta successiva o su orizzonti temporali più ampi hanno evidenziato risultati altrettanto promettenti. Dong et al. (2023) hanno riportato un C index di 0,82 per la previsione dell’ipotensione nella seduta successiva, mentre Gervasoni et al. (2023) hanno ottenuto un’AUC di 0,84 per la stima del rischio di episodi ricorrenti nell’arco di un mese. Architetture più complesse, come il Temporal Fusion Transformer, hanno mostrato la capacità di prevedere simultaneamente ipotensione e ipertensione intradialitica con AUC superiori a 0,89 (Yun et al., 2023).
Infine, alcuni studi hanno ampliato il set di variabili includendo fattori ambientali, comportamentali o relativi allo stile di vita, ottenendo performance particolarmente elevate: il modello Random Forest di Othman et al. (2022) ha raggiunto un’accuratezza del 98%, mentre l’approccio Ensemble di Huang J.C. et al. (2020) ha mostrato le migliori prestazioni complessive nel confronto tra algoritmi.
Nel complesso, i risultati evidenziano un crescente livello di maturità dei modelli predittivi basati su intelligenza artificiale, con performance elevate e potenziale applicabilità clinica. Tuttavia, la variabilità delle definizioni di ipotensione, la prevalenza di studi retrospettivi e la scarsa validazione esterna rappresentano ancora limiti significativi alla loro generalizzabilità.

DISCUSSIONE

La letteratura conferma il potenziale dell’intelligenza artificiale nella gestione dell’ipotensione durante l’emodialisi, grazie alla capacità di integrare dati eterogenei e modellare pattern complessi. Tuttavia, l’assenza di una definizione diagnostica univoca limita la comparabilità tra studi e la generalizzabilità dei modelli (Kanbay et al., 2020). La predominanza di studi retrospettivi e monocentrici riduce la robustezza predittiva, mentre la scarsa interpretabilità di alcuni modelli ostacola l’adozione clinica (Cabitza et al., 2017). Nonostante tali limiti, l’integrazione di segnali in tempo reale e l’uso di tecniche di interpretabilità rappresentano passi significativi verso una maggiore accettazione da parte dei professionisti sanitari.

CONCLUSIONE

I modelli di intelligenza artificiale rappresentano strumenti promettenti per la previsione dell’ipotensione durante l’emodialisi, con potenziale impatto sulla sicurezza e sulla personalizzazione del trattamento. Per una reale implementazione clinica sono necessari studi prospettici multicentrici, definizioni diagnostiche standardizzate e modelli interpretabili integrabili nei sistemi di supporto decisionale (Gervasoni et al., 2023; Nobakht et al., 2024).

BIBLIOGRAFIA

1. Ashby, D., Borman, N., Burton, J., Corbett, R., Davenport, A., Farrington, K., Flowers, K., Fotheringham, J., Fox, A., Franklin, G., Gardiner, C., Gerrish, M., Greenwood, S., Hothi, D., Khares, A., Koufaki, P., Levy, J., Lindley, E., Macdonald, J., Mafrici, B., Mooney, A., Tattersall, J., Tyerman, K., Villar, E. and Wilkie, M., 2019. Renal Association Clinical Practice Guideline on Haemodialysis. BMC Nephrology, 20(1), p.379.
2. Assimon, M.M., Wang, L. and Flythe, J.E., 2019. Cumulative Exposure to Frequent Intradialytic Hypotension Associates With New-Onset Dementia Among Elderly Hemodialysis Patients. Kidney International Reports, 4(4), pp.603-606.
3. Assimon, M.M. and Flythe, J.E., 2017. Definitions of intradialytic hypotension. Seminars in Dialysis, 30, pp.464–472.
4. Baethge, C., Goldbeck-Wood, S. and Mertens, S., 2019. SANRA-a scale for the quality assessment of narrative review articles. Research Integrity and Peer Review, 4, p.5.
5. Barbieri, C., Cattinelli, I., Neri, L., Mari, F., Ramos, R., Brancaccio, D., Canaud, B. and Stuard, S., 2019. Development of an Artificial Intelligence Model to Guide the Management of Blood Pressure, Fluid Volume, and Dialysis Dose in End-Stage Kidney Disease Patients: Proof of Concept and First Clinical Assessment. Kidney Diseases, 5(1), pp.28-33.
6. Becker, J.U., Mayerich, D., Padmanabhan, M., Barratt, J., Ernst, A., Boor, P., Cicalese, P.A., Mohan, C., Nguyen, H.V. and Roysam, B., 2020. Artificial intelligence and machine learning in nephropathology. Kidney International, 98(1), pp.65-75.
7. Buades Fuster, J.M., Bernabéu Lafuente, M.R., Ferrer Nadal, M.A., García Melendreras, S., Iñigo Vanrell, M.V. and Molina Guasch, M., 2021. Avances en diálisis. Monitorización de datos con tecnologías emergentes. NefroPlus, 13(2), pp.1-11.
8. Burton, J.O., Jefferies, H.J., Selby, N.M. and McIntyre, C.W., 2009. Hemodialysis-induced repetitive myocardial injury results in global and segmental reduction in systolic cardiac function. Clinical Journal of the American Society of Nephrology, 4, pp.1925-1931.
9. Cabitza, F., Rasoini, R. and Gensini, G.F., 2017. Unintended Consequences of Machine Learning in Medicine. JAMA, 318(6), pp.517-518.
10. Cedeño, S., Vega, A., Macías, N., Sánchez, L., Abad, S., López-Gómez, J.M. and Luño, J., 2020. Intradialytic hypotension definitions with mortality prediction capacity in a cohort of haemodialysis patients. Nefrología (English Edition), 40(4), pp.403-413.
11. Chang, T.I., Paik, J., Greene, T., Desai, M., Bech, F., Cheung, A.K. and Chertow, G.M., 2011. Intradialytic hypotension and vascular access thrombosis. Journal of the American Society of Nephrology, 22(8), pp.1526-1533.
12. Chen, J.B., Wu, K.C., Moi, S.H., Chuang, L.Y. and Yang, C.H., 2020. Deep learning for intradialytic hypotension prediction in hemodialysis patients. IEEE Access, 8, pp.82382-82390.
13. Chou, J.A., Kalantar-Zadeh, K. and Mathew, A.T., 2017. A brief review of intradialytic hypotension with a focus on survival. Seminars in Dialysis, 30(6), pp.473-480.
14. Chou, J.A., Streja, E., Nguyen, D.V., Rhee, C.M., Obi, Y., Inrig, J.K., Amin, A., Kovesdy, C.P., Sim, J.J. and Kalantar-Zadeh, K., 2018. Intradialytic hypotension, blood pressure changes and mortality risk in incident hemodialysis patients. Nephrology Dialysis Transplantation, 33(1), pp.149-159.
15. Daugirdas, J.T., 2001. Pathophysiology of dialysis hypotension: an update. American Journal of Kidney Diseases, 38, pp.S11-17.
16. Denker, M.G. and Cohen, D.L., 2015. Antihypertensive Medications in End-Stage Renal Disease. Seminars in Dialysis, 28(4), pp.330-336.
17. Dong, J., Wang, K., He, J., Guo, Q., Min, H., Tang, D., Zhang, Z., Zhang, C., Zheng, F., Li, Y., Xu, H., Wang, G., Luan, S., Yin, L., Zhang, X. and Dai, Y., 2023. Machine learning-based intradialytic hypotension prediction of patients undergoing hemodialysis: A multicenter retrospective study. Computer Methods and Programs in Biomedicine, 240, p.107698.
18. Dorairajan, S., Chockalingam, A. and Misra, M., 2010. Myocardial stunning in hemodialysis: what is the overall message? Hemodialysis International, 14(4), pp.447-450.
19. Flythe, J.E., Xue, H., Lynch, K.E., Curhan, G.C. and Brunelli, S.M., 2015. Association of mortality risk with various definitions of intradialytic hypotension. Journal of the American Society of Nephrology, 26, pp.724-734.
20. Gaweda, A.E., Lederer, E.D. and Brier, M.E., 2022. Artificial intelligence-guided precision treatment of chronic kidney disease-mineral bone disorder. CPT: Pharmacometrics & Systems Pharmacology, 11, pp.1305-1315.
21.  Gervasoni, F., Bellocchio, F., Rosenberger, J., Arkossy, O., Titapiccolo, J. I., Kovarova, V., Larkin, J., Nikam, M., Stuard, S., Tripepi, G. L., Usvyat, L. A., Winter, A., Neri, L. & Zoccali, C. (2023). Development and validation of AI-based triage support algorithms for prevention of intradialytic hypotension. Journal of Nephrology, 36(7), 2001-2011. doi: 10.1007/s40620-023-01741-6.
22. Gómez-Pulido, J. A., Gómez-Pulido, J. M., Rodríguez-Puyol, D., Polo-Luque, M. L. & Vargas-Lombardo, M. (2021). Predicting the appearance of hypotension during hemodialysis sessions using machine learning classifiers. International Journal of Environmental Research and Public Health, 18, 2364. doi: 10.3390/ijerph18052364.
23. Grant, M. J. & Booth, A. (2009). A typology of reviews: an analysis of 14 review types and associated methodologies. Health Information and Libraries Journal, 26(2), 91-108. doi: 10.1111/j.1471-1842.2009.00848.x.
24. Guedes, M., Pecoits-Filho, R. & Leme, J. E. G. (2020). Impacts of dialysis adequacy and intradialytic hypotension on changes in dialysis recovery time. BMC Nephrology, 21(1), 529. doi: 10.1186/s12882-020-02187-9.
25. Hajal, J., Joubran, N., Sleilaty, G., Chacra, D., Saliba, Y. & Assaad, S. (2019). Intradialytic hypotension: beyond hemodynamics. Physiological Research, 68, 793-805. Available at: http://www.ncbi.nlm.nih.gov/pubmed/31424249.
26. Hamrahian, S. M., Vilayet, S., Herberth, J. & Fülöp, T. (2023). Prevention of Intradialytic Hypotension in Hemodialysis Patients: Current Challenges and Future Prospects. International Journal of Nephrology and Renovascular Disease, 16, 173-181. doi: 10.2147/IJNRD.S245621.
27. Hirakata, H., Nitta, K., Inaba, M., Shoji, T., Fujii, H., Kobayashi, S., Tabei, K., Joki, N., Hase, H., Nishimura, M., Ozaki, S., Ikari, Y., Kumada, Y., Tsuruya, K., Fujimoto, S., Inoue, T., Yokoi, H., Hirata, S., Shimamoto, K., Kugiyama, K., Akiba, T., Iseki, K., Tsubakihara, Y., Tomo, T. & Akizawa, T. (2012). Japanese Society for Dialysis Therapy guidelines for management of cardiovascular diseases in patients on chronic hemodialysis. Therapeutic Apheresis and Dialysis, 16(5), 387-435. doi: 10.1111/j.1744-9987.2012.01088.x.
28. Hong, D., Chang, H., He, X., Zhan, Y., Tong, R., Wu, X. & Li, G. (2023). Construction of an Early Alert System for Intradialytic Hypotension before Initiating Hemodialysis Based on Machine Learning. Kidney Diseases (Basel), 9(5), 433-442. doi: 10.1159/000531619.
29. Huang, J. C., Tsai, Y. C., Wu, P. Y., Lien, Y. H., Chien, C. Y., Kuo, C. F., Hung, J. F., Chen, S. C. & Kuo, C. H. (2020). Predictive modeling of blood pressure during hemodialysis: a comparison of linear model, random forest, support vector regression, XGBoost, LASSO regression and ensemble method. Computer Methods and Programs in Biomedicine, 195, 105536. doi: 10.1016/j.cmpb.2020.105536.
30. Hueso, M., Vellido, A., Montero, N., Barbieri, C., Ramos, R., Angoso, M., Cruzado, J. M. & Jonsson, A. (2018). Artificial Intelligence for the Artificial Kidney: Pointers to the Future of a Personalized Hemodialysis Therapy. Kidney Diseases (Basel), 4(1), 1-9. doi: 10.1159/000486394.
31. Intelligenza Artificiale: un valido alleato nel percorso diagnostico-terapeutico del paziente cardiopatico. (2025). [online] Available at: https://siia.it/aggiornamento-formazione/news/intelligenza-artificiale-un-valido-alleato-nel-percorso-diagnostico-terapeutico-del-paziente-cardiopatico/ [Accessed 19 Jan. 2025].
32. K/DOQI Workgroup. (2005). K/DOQI clinical practice guidelines for cardiovascular disease in dialysis patients. American Journal of Kidney Diseases, 45(4 Suppl 3), S1-153. PMID: 15806502.
33. Kalantar-Zadeh, K., Jafar, T.H., Nitsch, D., Neuen, B.L. and Perkovic, V., 2021. Chronic kidney disease. The Lancet, 398(10302), pp.786–802. https://doi.org/10.1016/S0140-6736(21)00519-5
34. Kanbay, M., Ertuglu, L.A., Afsar, B., Ozdogan, E., Siriopol, D., Covic, A., Basile, C. and Ortiz, A., 2020. An update review of intradialytic hypotension: concept, risk factors, clinical implications and management. Clinical Kidney Journal, 13(6), pp.981–993. https://doi.org/10.1093/ckj/sfaa078
35. Kooman, J., Basci, A., Pizzarelli, F., Canaud, B., Haage, P., Fouque, D., Konner, K., Martin-Malo, A., Pedrini, L., Tattersall, J., Tordoir, J., Vennegoor, M., Wanner, C., ter Wee, P. and Vanholder, R., 2007. EBPG guideline on haemodynamic instability. Nephrology Dialysis Transplantation, 22(Suppl 2), pp.ii22–ii44. https://doi.org/10.1093/ndt/gfm019
36. Kuipers, J., Verboom, L.M., Ipema, K.J.R., Paans, W., Krijnen, W.P., Gaillard, C.A.J.M., Westerhuis, R. and Franssen, C.F.M., 2019. The Prevalence of Intradialytic Hypotension in Patients on Conventional Hemodialysis: A Systematic Review with Meta-Analysis. American Journal of Nephrology, 49(6), pp.497–506. https://doi.org/10.1159/000500877
37. Lee, H., Moon, S.J., Kim, S.W., Min, J.W., Park, H.S., Yoon, H.E., Kim, Y.S., Kim, H.W., Yang, C.W., Chung, S., Koh, E.S. and Chung, B.H., 2023. Prediction of intradialytic hypotension using pre-dialysis features—a deep learning-based artificial intelligence model. Nephrology Dialysis Transplantation, 38(10), pp.2310–2320. https://doi.org/10.1093/ndt/gfad064
38. Lee, H., Yun, D., Yoo, J., Yoo, K., Kim, Y.C., Kim, D.K., Oh, K.H., Joo, K.W., Kim, Y.S., Kwak, N. and Han, S.S., 2021. Deep Learning Model for Real-Time Prediction of Intradialytic Hypotension. Clinical Journal of the American Society of Nephrology, 16(3), pp.396–406. https://doi.org/10.2215/CJN.09280620
39. Levey, A.S., Eckardt, K.U., Tsukamoto, Y., Levin, A., Coresh, J., Rossert, J., De Zeeuw, D., Hostetter, T.H., Lameire, N. and Eknoyan, G., 2005. Definition and classification of chronic kidney disease: a position statement from Kidney Disease: Improving Global Outcomes (KDIGO). Kidney International, 67(6), pp.2089–2100. https://doi.org/10.1111/j.1523-1755.2005.00365.x
40. Li, Y., Zhao, D., Liu, G., Liu, Y., Bano, Y., Ibrohimov, A., Chen, H., Wu, C. and Chen, X., 2022. Intradialytic hypotension prediction using covariance matrix-driven whale optimizer with orthogonal structure-assisted extreme learning machine. Frontiers in Neuroinformatics, 16, p.956423. https://doi.org/10.3389/fninf.2022.956423
41. Ligabue, G., Pollastri, F., Fontana, F., et al., 2020. Evaluation of the classification accuracy of the kidney biopsy direct immunofluorescence through convolutional neural networks. Clinical Journal of the American Society of Nephrology, 15(10), pp.1445–1454.
42. Lim, Y., Yang, G., Cho, S., Kim, S.R. and Lee, Y.J., 2020. Association between Ultrafiltration Rate and Clinical Outcome Is Modified by Muscle Mass in Hemodialysis Patients. Nephron, 144(9), pp.447–452. https://doi.org/10.1159/000509350
43. Lin, S.Y., Hsieh, M.H., Lin, C.L., et al., 2019. Artificial intelligence prediction model for the cost and mortality of renal replacement therapy in aged and super-aged populations in Taiwan. Journal of Clinical Medicine, 8(7), p.995.
44. Locatelli, F., Buoncristiani, U., Canaud, B., Köhler, H., Petitclerc, T. and Zucchelli, P., 2005. Haemodialysis with on-line monitoring equipment: tools or toys? Nephrology Dialysis Transplantation, 20(1), pp.22–33. https://doi.org/10.1093/ndt/gfh555
45. Mactier, R., Hoenich, N. and Breen, C., 2011. Renal Association Clinical Practice Guideline on haemodialysis. Nephron Clinical Practice, 118(Suppl 1), pp.c241–c286. https://doi.org/10.1159/000328072
46.  Makino, M., Yoshimoto, R., Ono, M., et al., 2019. Artificial intelligence predicts the progression of diabetic kidney disease using big data machine learning. Scientific Reports, 9(1), p.11862.
47. McIntyre, C.W. and Goldsmith, D.J., 2015. Ischemic brain injury in hemodialysis patients: which is more dangerous, hypertension or intradialytic hypotension? Kidney International, 87, pp.1109–1115. https://doi.org/10.1038/ki.2015.62
48. Mendoza-Pittí, L., Gómez-Pulido, J.M., Vargas-Lombardo, M., Gómez-Pulido, J.A., Polo-Luque, M.L. and Rodréguez-Puyol, D., 2022. Machine-Learning Model to Predict the Intradialytic Hypotension Based on Clinical-Analytical Data. IEEE Access, 10, pp.72065–72079. https://doi.org/10.1109/ACCESS.2022.3189018
49. Mizumasa, T., Hirakata, H., Yoshimitsu, T., Hirakata, E., Kubo, M., Kashiwagi, M., et al., 2004. Dialysis-related hypotension as a cause of progressive frontal lobe atrophy in chronic hemodialysis patients: A 3-year prospective study. Nephron Clinical Practice, 97, pp.c23–c30. https://doi.org/10.1159/000077592
50. Molnar, C., 2024. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.
51. Nafisi, V.R. and Shahabi, M., 2018. Intradialytic hypotension related episodes identification based on the most effective features of photoplethysmography signal. Computer Methods and Programs in Biomedicine, 157, pp.1–9. https://doi.org/10.1016/j.cmpb.2018.01.012
52. Niel, O. and Bastard, P., 2018. Artificial intelligence improves estimation of tacrolimus area under the concentration over time curve in renal transplant recipients. Transplant International, 31(8), pp.940–941.
53. Nobakht, E., Raru, W., Dadgar, S. and El Shamy, O., 2024. Precision Dialysis: Leveraging Big Data and Artificial Intelligence. Kidney Medicine, 6(9), p.100868. https://doi.org/10.1016/j.xkme.2024.100868
54. Othman, M., Elbasha, A.M., Naga, Y.S. and Moussa, N.D., 2022. Early prediction of hemodialysis complications employing ensemble techniques. Biomedical Engineering Online, 21(1), p.74. https://doi.org/10.1186/s12938-022-01044-0
55. Ronco, C., Ghezzi, P.M. and La Greca, G., 1999. The role of technology in hemodialysis. Journal of Nephrology, 12(Suppl 2), pp.S68–S81.
56. Sandys, V., Sexton, D. and O’Seaghdha, C., 2022. Artificial intelligence and digital health for volume maintenance in hemodialysis patients. Hemodialysis International, 26, pp.480–495. https://doi.org/10.1111/hdi.13033
57. Sands JJ, Usvyat LA, Sullivan T, Segal JH, Zabetakis P, Kotanko P, Maddux FW. And Diaz-Buxo JA. Intradialytic hypotension: frequency, sources of variation and correlation with clinical outcome. Hemodial Int. 2014 Apr;18(2):415-22. doi: 10.1111/hdi.12138. Epub 2014 Jan 27. PMID: 24467830.
58. Saran R, Robinson B, Abbott KC, Agodoa LYC, Bragg-Gresham J, Balkrishnan R, Bhave N, Dietrich X, Ding Z, Eggers PW, Gaipov A, Gillen D, Gipson D, Gu H, Guro P, Haggerty D, Han Y, He K, Herman W, Heung M, Hirth RA, Hsiung JT, Hutton D, Inoue A, Jacobsen SJ, Jin Y, Kalantar-Zadeh K, Kapke A, Kleine CE, Kovesdy CP, Krueter W, Kurtz V, Li Y, Liu S, Marroquin MV, McCullough K, Molnar MZ, Modi Z, Montez-Rath M, Moradi H, Morgenstern H, Mukhopadhyay P, Nallamothu B, Nguyen DV, Norris KC, O’Hare AM, Obi Y, Park C, Pearson J, Pisoni R, Potukuchi PK, Repeck K, Rhee CM, Schaubel DE, Schrager J, Selewski DT, Shamraj R, Shaw SF, Shi JM, Shieu M, Sim JJ, Soohoo M, Steffick D, Streja E, Sumida K, Kurella Tamura M, Tilea A, Turf M, Wang D, Weng W, Woodside KJ, Wyncott A, Xiang J, Xin X, Yin M, You AS, Zhang X, Zhou H. and Shahinian V. US Renal Data System 2018 Annual Data Report: Epidemiology of Kidney Disease in the United States. Am J Kidney Dis. 2019 Mar;73(3 Suppl 1):A7-A8. doi: 10.1053/j.ajkd.2019.01.001. Epub 2019 Feb 21. PMID: 30798791; PMCID: PMC6620109.
59. Sars, B., Van Der Sande, F.M. and Kooman, J.P., 2020. Intradialytic hypotension: Mechanisms and outcome. Blood Purification, 49, pp.158–167. https://doi.org/10.1159/000503776
60. Shemin, D., Bostom, A.G., Laliberty, P. and Dworkin, L.D., 2001. Residual renal function and mortality risk in hemodialysis patients. American Journal of Kidney Diseases, 38(1), pp.85–90. https://doi.org/10.1053/ajkd.2001.25198
61.  Sinha, A.D. and Agarwal, R., 2017. Setting the dry weight and its cardiovascular implications. Seminars in Dialysis, 30(6), pp.481–488. https://doi.org/10.1111/sdi.12624
62. Stefánsson BV, Brunelli SM, Cabrera C, Rosenbaum D, Anum E, Ramakrishnan K, Jensen DE. And Stålhammar NO. Intradialytic hypotension and risk of cardiovascular disease. Clin J Am Soc Nephrol. 2014 Dec 5;9(12):2124-32. doi: 10.2215/CJN.02680314. Epub 2014 Nov 6. PMID: 25376764; PMCID: PMC4255399.
63. Stevens, P.E. and Levin, A., 2013. Evaluation and management of chronic kidney disease: synopsis of the kidney disease: improving global outcomes 2012 clinical practice guideline. Annals of Internal Medicine, 158(11), pp.825–830. https://doi.org/10.7326/0003-4819-158-11-201306040-00007
64. Suckling, R.J., Swift, P.A., He, F.J., Markandu, N.D. and MacGregor, G.A., 2013. Altering plasma sodium concentration rapidly changes blood pressure during haemodialysis. Nephrology Dialysis Transplantation, 28, pp.2181–2186. https://doi.org/10.1093/ndt/gft081
65. Sulowicz, W. and Radziszewski, A., 2006. Pathogenesis and treatment of dialysis hypotension. Kidney International, 70(Suppl 103), pp.S36–S39. https://doi.org/10.1038/sj.ki.5001975
66. Tomašev N, Glorot X, Rae JW, Zielinski M, Askham H, Saraiva A, Mottram A, Meyer C, Ravuri S, Protsyuk I, Connell A, Hughes CO, Karthikesalingam A, Cornebise J, Montgomery H, Rees G, Laing C, Baker CR, Peterson K, Reeves R, Hassabis D, King D, Suleyman M, Back T, Nielson C, Ledsam JR. and Mohamed S. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 2019 Aug;572(7767):116-119. doi: 10.1038/s41586-019-1390-1. Epub 2019 Jul 31. PMID: 31367026; PMCID: PMC6722431.
67. Tsujimoto, Y., Tsujimoto, H., Nakata, Y., Kataoka, Y., Kimachi, M., Shimizu, S., Ikenoue, T., Fukuma, S., Yamamoto, Y. and Fukuhara, S., 2019. Dialysate temperature reduction for intradialytic hypotension for people with chronic kidney disease requiring haemodialysis. Cochrane Database of Systematic Reviews, 7(7), CD012598. https://doi.org/10.1002/14651858.CD012598.pub2.
68. World Health Organization, 2023. WHO outlines considerations for regulation of artificial intelligence for health. [online] Available at: https://www.who.int/news/item/19-10-2023-who-outlines-considerations-for-regulation-of-artificial-intelligence-forhealth [Accessed 19 Dec. 2024].
69. Yang, I.N., Liu, C.F., Chien, C.C., Wang, H.Y., Wang, J.J., Shen, Y.T. and Chen, C.C., 2024. Personalized prediction of intradialytic hypotension in clinical practice: Development and evaluation of a novel AI dashboard incorporating risk factors from previous and current dialysis sessions. International Journal of Medical Informatics, 190, p.105538. https://doi.org/10.1016/j.ijmedinf.2024.105538.
70. Yu, J., Liu, Z., Shen, B. et al., 2018. Intradialytic hypotension as an independent risk factor for long-term mortality in maintaining hemodialysis patients: a 5-year follow-up cohort study. Blood Purification, 45, pp.320–326.
71. Yun, D., Yang, H.L., Kim, S.G., Kim, K., Kim, D.K., Oh, K.H., Joo, K.W., Kim, Y.S. and Han, S.S., 2023. Real-time dual prediction of intradialytic hypotension and hypertension using an explainable deep learning model. Scientific Reports, 13(1), p.18054. https://doi.org/10.1038/s41598-023-45282-1.
72. Zhang, H., Wang, L.C., Chaudhuri, S., Pickering, A., Usvyat, L., Larkin, J., Waguespack, P., Kuang, Z., Kooman, J.P., Maddux, F.W. and Kotanko, P., 2023. Real-time prediction of intradialytic hypotension using machine learning and cloud computing infrastructure. Nephrology Dialysis Transplantation, 38(7), pp.1761–1769. https://doi.org/10.1093/ndt/gfad070.
73. Zhang, M. and Zhang, T., 2024. Construction and Explanation Analysis of a Hypotension Risk Prediction Model in Hemodialysis Based on Machine Learning. Electronics, 13(18), p.3773. https://doi.org/10.3390/electronics13183773.
74. Zoccali, C., Moissl, U., Chazot, C., Mallamaci, F., Tripepi, G., Arkossy, O., Wabel, P. and Stuard, S., 2017. Chronic Fluid Overload and Mortality in ESRD. Journal of the American Society of Nephrology, 28(8), pp.2491–2497. https://doi.org/10.1681/ASN.2016121341.