导航机器学习管道:对住院 Delirium 预测模型的范围审查

科学领域:

• 人工智能的人工智能
• 临床信息学 临床信息学
• 老年医学 老年医学

背景情况:

• 痴呆症是住院患者常见的并发症,导致发病率和死亡率增加.
• 早期识别和干预可以预防高达40%的妄想病例.
• 机器学习 (ML) 为风险分层和有针对性的妄想预防提供了潜力.

研究的目的:

• 对基于ML的妄想预测模型的最新文献进行范围审查.
• 评估这些模型的进化状态,性能,实用性和用户接受度.

主要方法:

• 搜索了10个数据库,直到2022年6月,对成人住院患者的ML Delirium预测模型的研究.
• 包括的研究报告了至少一个绩效指标 (例如,AUROC).
• 根据成熟阶段对模型进行分类,并评估性能,实用性和用户接受度.

主要成果:

• 39项研究满足了资格标准,在中性能始终高 (中位数AUROC:0.85).
• 只有15.4%的人报告了外部验证,显示性能下降 (中位数AUROC:0.75).
• 在临床工作流程中使用模型的三项研究 (7.7%) 报告了高准确度 (中位数AUROC:0.92) 和用户接受度.

结论:

• ML模型显示了在住院患者中早期发现妄风险的潜力.
• 很少有模型经过外部验证或潜在的临床评估.
• 需要进一步的研究来优化临床实施的ML模型,支持但不能取代临床医生的判断.