外部で検証されたモデルの透明性:大腸直腸麻痺漏れを予測するための機械学習対ロジスティック回帰の体系的なレビュー
Sara Ben Hmido1, Houssam Abder Rahim2, Erik W Ingwersen1
1Department of Surgery, Amsterdam University Medical Centers, De Boelelaan 1117, 1081, HV Amsterdam, the Netherlands; Cancer Center Amsterdam, De Boelelaan 1118, 1081, HV Amsterdam, the Netherlands.
まとめ
コロレクトアナストモティック漏れ予測のための機械学習 (ML) モデルは,ロジスティック回帰 (LR) よりも低い透明性と小さなコホートを示しています. 現在のMLモデルは,安全な臨床実施のためにさらに開発する必要があります.
科学分野:
- 手術 結果 研究
- 医療情報工学
- 予測分析
背景:
- 大腸切除は,アナストモティック漏出の重大なリスク (2. 8% - 30%) を伴います.
- 機械学習 (ML) はリスク推定の可能性を秘めているが,透明性の問題により臨床実施の障壁に直面している.
- ロジスティック回帰 (LR) はリスク予測のための伝統的な統計的方法です.
研究 の 目的:
- 大腸直腸麻痺漏れを予測するためのMLモデルとLRモデルの性能と透明性を体系的に検討し,比較する.
- MLベースの予測ツールの臨床実施準備の現状を評価する.
主な方法:
- PRISMAのガイドラインに沿った体系的なレビュー.
- 関連する研究のためにMedline,Embase,Web of Science,Cochraneのデータベースを検索しました.
- 外部検証によるLRまたはMLを用いた評価試験で,データ抽出,バイアスリスク (PROBAST),透明性 (TRIPOD+AI) を評価した.
主要な成果:
- このレビューには10件の研究が含まれていた.
- MLモデルは,LRモデルと比較して結果が少ない小さなコホートで検証されました.
- 透明度スコアはLRの平均45%,MLの平均43%で,欠乏したデータの報告は一貫せず,外部検証は限られている.
- ほとんどの研究では,サンプルサイズが小さくてイベント数が少ないため,バイアスの危険性が高いことが示されました.
結論:
- アナストモティック・リーカーの予測のためのML研究は,現在,小さなコホート,低い結果数,およびLRと比較して透明性の低下によって制限されています.
- 将来の研究は,透明性を優先し,TRIPOD+AI規格を遵守し,同一のデータセットを使用してLRとMLモデルを同時に開発する必要があります.
- 大腸と直腸の手術には別々のモデルが推奨されます. 現在のモデルはまだ臨床実施に適していません.さらなる開発は不可欠です.
