机器学习算法来预测在下大脑下出血后延迟脑缺血:系统性审查和元分析
Laís Silva Santana1, Jordana Borges Camargo Diniz2, Nicollas Nunes Rabelo3
1School of Medicine, University of São Paulo, São Paulo, SP, Brazil.
Neurocritical care
|September 4, 2023
概括
与传统的后勤回归相比,机器学习模型在预测脑下下下关节出血 (SAH) 后延迟脑缺血 (DCI) 中的准确性有所提高. 这种进步为这种严重并发症提供了更好的预测.
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:
- 延迟大脑缺血症 (DCI) 是次大脑下下垂体出血 (SAH) 之后的一个显著和严重的并发症.
- 目前的预测方法,主要是后勤回归 (LR),在预测DCI方面表现出有限的准确性.
- 需要更精确的预测模型来改善SAH后患者的治疗结果.
研究的目的:
- 系统地比较机器学习 (ML) 模型的预测精度与SAH后DCI的常规后勤回归 (LR).
- 评估不同的ML算法在预测SAH患者的DCI中的性能.
- 为DCI预测在临床实践中采用先进的ML技术提供证据.
主要方法:
- 在PubMed,Embase和Web of Science进行了系统的文献搜索.
- 包括直接比较LR和ML模型用于SAH患者DCI预测的研究.
- 关键的结果指标包括灵敏度,特异性和接收器操作特征曲线 (AUC) 下的面积.
主要成果:
- 分析了6项涉及1828名患者的研究,其中28%的人患有DCI.
- 对LR模型的聚合灵敏度和特异性分别为0.71和0.63.
- 对ML模型的聚合灵敏度和特异性分别为0.74和0.78,表明性能优越.
结论:
- 与逻辑回归相比,机器学习算法在预测子arachnoid出血 (SAH) 后的延迟脑缺血症 (DCI) 中表现优越.
- 这些发现表明,ML模型为识别患有DCI风险的患者提供了更准确的方法.
- 采用ML模型可能会导致更早的干预和改善SAH患者的管理.
