破裂した脳内動脈瘤の後の遅延性脳性赤血を予測するための機械学習モデル:体系的なレビューとメタ解析

科学分野:

• 神経科学は神経科学である.
• 医療情報工学 医療情報工学
• 医療における人工知能

背景:

• 遅延性脳性缺血症 (DCI) は,動脈細部下arachnoid出血 (SAH) の後の死亡と障害の重要な原因です.
• 高リスク患者の正確な識別は,効果的な神経学的ケアに不可欠です.
• 機械学習 (ML) モデルは,個別化されたDCIリスク評価の可能性を秘めています.

研究 の 目的:

• SAH後のDCIを予測するためのMLモデルのパフォーマンスを体系的にレビューし,合成する.
• DCI予測における異なるMLアルゴリズムファミリーの有効性を比較する.
• DCI予測のための既存のMLモデルの品質と限界を評価する.

主な方法:

• PubMedとEmbaseのデータベースの体系的な文献検索.
• QUADAS-2ツールを使用して研究の質の質的評価.
• アルゴリズムタイプとデータセットにおけるMLモデル性能指標 (例えば,AUC,感度,特異性) の合成と比較.

主要な成果:

• 1万人以上の患者と100以上のMLモデルを含む29の研究の分析.
• アンサンブル法 (ランダムフォレスト,XGBoost) は,最も優れた差別的パフォーマンスを示した (平均AUC 0.80-0.85).
• ロジスティック回帰は一般的であり,解釈可能であり,ディープラーニングモデルは変数性能とオーバーフィッティングを示した. アンサンブルモデルは,外部検証が限られているが,感度と特異性のバランスを最も良く提供した.

結論:

• MLモデル,特にアンサンブルアプローチは,SAH後のDCI予測を改善するための大きな約束を保持しています.
• 外部検証,モデルの校正,および将来の臨床統合に焦点を当てたさらなる研究が不可欠です.