基于机器学习的压力损伤预测模型:系统审查和元分析

科学领域:

• 医疗信息学 医疗信息学
• 临床预测建模 临床预测建模
• 医疗保健中的人工智能

背景情况:

• 机器学习 (ML) 算法越来越多地用于医疗保健中的预测建模.
• 为了预测压力损伤的发展,ML模型的性能需要进行系统评估.

研究的目的:

• 系统地审查和评估ML模型在预测压力损伤方面的性能.
• 综合关于ML模型用于压力损伤预测的准确性的证据.

主要方法:

• 在多个数据库 (PubMed,Embase等) 进行系统的文献搜索. ) 的情况.
• 包含符合预定义标准的原始期刊论文.
• 使用PROBAST进行的方法质量评估.
• 使用Metadisc软件对14项研究进行了元分析,计算了AUC,灵敏度和特异性的汇总值.

主要成果:

• 18项研究被纳入了叙述性审查;14项符合元分析的条件.
• ML模型实现了 0.94.9 的优秀的AUC.
• 聚合灵敏度为0.79和聚合特异性为0.87.
• 根据数据或模型类型的表现,元回归没有发现显著的变化.

结论:

• ML模型在预测压力损伤方面表现出色.
• 这些发现表明ML在压力伤害预防方面具有重大潜力.
• 建议进行高质量的研究来验证这些结果并确认临床效用.