机器学习模型在预测创伤性脑损伤患者死亡风险方面的预测性能:系统性审查和元分析

科学领域:

• 医疗信息学 医疗信息学
• 临床预测模型临床预测模型
• 神经科学是一个神经科学.

背景情况:

• 机器学习 (ML) 在临床环境中越来越多地用于预测患者的结果.
• 对于创伤性脑损伤 (TBI) 死亡率的ML模型的预测准确性仍然是争论的主题.
• 需要进行全面评估,以澄清ML在TBI中的预测价值.

研究的目的:

• 系统地审查和元分析ML模型对TBI死亡率的预测准确性.
• 评估ML模型在预测TBI患者医院内外死亡率方面的表现.

主要方法:

• 在PubMed,Embase,Cochrane和Web of Science进行系统的文献搜索,截至2022年11月27日.
• 使用PROBAST工具进行偏差风险和适用性评估.
• 对各种性能指标 (C指数,准确性,灵敏度,特异性) 的随机效应和双变混合效应模型的元分析.

主要成果:

• 包括47篇论文,包括156个模型;其中122篇是新开发的ML模型.
• 对于住院死亡率 (98模型):聚合C指数=0.86,敏感度=0.79,特异性=0.89.
• 对于非医院死亡率 (24 种模型):综合C指数=0.83,敏感度=0.74,特异性=0.75.
• 模型表现的关键预测因素包括GCS得分,年龄,CT分类,学生反应,葡萄糖和SBP.

结论:

• ML模型在预测TBI死亡率方面表现出相对较高的准确性.
• 个别的ML模型往往超过传统的评分系统,尽管聚合精度是相似的.
• 临床变量和CT成像是影响TBIML模型性能的关键因素.