Štúdia analyzovala databázu MIMIC-IV u 2 986 pacientov s traumatickým poranením mozgu (TBI) na JIS, kde sa u 2 045 (68,5 %) vyvinulo akútne poškodenie obličiek (AKI) podľa kritérií KDIGO. Pacienti s AKI boli starší, ťažší, mali vyššiu hladinu glukózy, sodíka, systolický tlak (SBP) a teplotu, nižší výdaj moču a častejšie potrebovali ventiláciu. Pomocou metód LASSO, Boruta a logistickej regresie sa vybrali kľúčové prediktory: výdaj moču, ventilácia, hmotnosť, vek, glukóza, sodík, SBP a teplota. Testovali sa sedem modelov strojového učenia, pričom najlepší XGBoost dosiahol AUC 0,775 (95 % CI 0,747–0,802), presnosť 74,4 %, citlivosť 88,3 % a F1-skóre 0,83. Nasledoval Random Forest (AUC 0,768, citlivosť 85,9 %, F1-skóre 0,82), zatiaľ čo rozhodovací strom mal najhorší výkon (AUC 0,728). SHAP analýza XGBoostu potvrdila výdaj moču a ventiláciu ako hlavné prediktory a poskytla vysvetlenia pre jednotlivých pacientov. Model XGBoost preukázal vysokú diskrimináciu, kalibráciu a klinický prínos podľa DCA, čím prekonal logistickú regresiu a rozhodovací strom. Ponúka nástroj na včasnú stratifikáciu rizika AKI u pacientov s TBI.