机器学习在预测中风后认知障碍方面:系统性审查和元分析
XiaoSheng Li1, Zongning Chen2, Hexian Jiao2
1Department of Rehabilitation Medicine, The Affiliated Hospital of Yunnan University, Kunming, China.
Frontiers in neurology
|August 21, 2023
概括
机器学习 (ML) 显示出预测中风后认知障碍 (PSCI) 的前景. 这次系统审查发现ML模型实现了高准确度,表明临床评分尺度的潜力.
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:
- 认知障碍是一种严重的中风后并发症,影响患者的生活质量和社会负担.
- 目前的临床实践缺乏对中风后认知障碍 (PSCI) 的有效早期预测工具.
- 机器学习 (ML) 越来越多地被用于PSCI预测,但模型的多样性和准确性需要检查.
研究的目的:
- 系统地评估机器学习 (ML) 模型在预测中风后认知障碍 (PSCI) 的效率和准确性.
主要方法:
- 在Cochrane,Embase,PubMed和Web of Science数据库中进行了全面的文献搜索.
- 使用PROBAST评估了研究质量,并对预测模型性能指标 (c指数,灵敏度,特异性,准确性) 进行了元分析.
- 包括21篇与7,822名中风患者的文章,分析年龄,中风特征和风险因素等变量,使用基于逻辑回归的诺姆图.
主要成果:
- 对21项研究 (7,822名患者) 的元分析揭示了聚合预测模型的性能.
- 在训练组中,聚合c指数为0.82,灵敏度为0.77,特异性为0.80.
- 在验证组中,聚合c指数为0.82,灵敏度为0.82,特异性为0.80,表明一致的预测能力.
结论:
- 机器学习 (ML) 显示出作为预测中风后认知障碍 (PSCI) 的工具的巨大潜力.
- 这些发现支持开发基于ML的简单临床评分尺度,用于实际临床应用.
- ML提供了一种可行的方法来改善PSCI的早期识别和管理.
