关于机器学习在数据驱动人口细分分析中的临床应用的范围审查
Pinyan Liu1, Ziwen Wang1, Nan Liu1,2,3
1Centre for Quantitative Medicine, Duke-NUS Medical School, Singapore, Singapore.
概括
机器学习 (ML) 改善了医疗保健中的人口细分,但研究需要更多的外部验证和方法比较. 未来的研究应该专注于针对量身定制的医疗保健解决方案的强大的ML模型.
科学领域:
- 医疗保健信息学 医疗保健信息学
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 数据驱动的人口细分对于分层不同患者群体至关重要.
- 机器学习 (ML) 为更快,更有效的细分算法开发提供了潜力.
- 本研究审查了在临床背景下对人口细分中的ML应用.
研究的目的:
- 评估基于ML的人口细分,对应用的种群,细分方法和结果评估进行评估.
- 为了确定临床人口细分的ML的当前趋势和局限性.
主要方法:
- 通过使用PRISMA-ScR指南进行了系统的文献审查.
- 在MEDLINE,Embase,Web of Science和Scopus搜索了2000年1月至2022年10月的英语语言研究.
- 包括使用结构化数据数据驱动人口细分的研究.
主要成果:
- 从6077个已识别的文章中,包括了79项研究.
- K-means集群是最常见的无监督ML方法.
- 医疗机构和普通人群分别是最常见的设置和目标.
结论:
- 大多数研究都进行了内部验证,但外部验证 (13.9%) 和方法比较 (29.1%) 是有限的.
- 目前的ML细分缺乏为提供量身定制的医疗保健解决方案提供全面评估.
- 未来的研究应该优先考虑方法比较,外部验证和个体一致性评估.


