预测创伤性脑损伤结果的机器学习算法:系统性审查和元分析

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 创伤性脑损伤 (TBI) 是全球死亡和残疾的主要原因.
• 机器学习 (ML) 是TBI管理的一个快速发展的领域.
• 识别有效的ML模型来预测TBI结果至关重要.

研究的目的:

• 系统地审查和识别有效预测创伤性脑损伤 (TBI) 结果的机器学习 (ML) 模型.
• 为了比较各种ML算法的预测能力与传统的物流回归 (LR).

主要方法:

• 根据PRISMA指南进行了系统审查.
• 从15篇已识别的文章中提取了数据,包括患者人口统计数据,临床状态和ML预测特征.
• 对ML算法的死亡率预测和诊断准确性进行了元分析.

主要成果:

• 机器学习算法 (SVM,ANN,随机森林,Naïve Bayes) 显示出比物流回归 (LR) 更好的预测能力.
• 机器学习模型在预测死亡率和不良结果方面始终达到80%以上的准确性 (格拉斯哥结果尺度).
• 低入院格拉斯哥昏迷量表 (GCS),年龄较大,血清酸度升高和血糖异常显著影响了ML预测.

结论:

• 机器学习模型在预测不良TBI结果方面表现优于传统的回归.
• 摄入GCS,年龄和血清代谢物是与ML集成时的重要预测因素.
• 这些因素应纳入TBI风险分层策略.