机器学习在结果预测中超形手术的现状:系统性审查
Darrion B Yang1, Alexander D Smith1, Emily J Smith1
1Carle Illinois College of Medicine, University of Illinois Urbana Champaign, Champaign, Illinois, United States.
Journal of neurological surgery. Part B, Skull base
|October 19, 2023
概括
机器学习 (ML) 算法在预测跨形手术结果,如并发症和复发等方面表现有前途. 这些先进的模型,特别是组合方法和神经网络,具有临床实用性,可以帮助手术决策.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 脑膜外科手术是各种垂体和骨底部病理的关键手术.
- 预测术后结果仍然是一个挑战,影响患者的管理和康复.
- 集成先进的计算工具对于改善手术精度和患者护理至关重要.
研究的目的:
- 系统地审查和评估机器学习 (ML) 算法的应用,以预测经过形外科手术后的术后结果.
- 评估ML模型在预测并发症,复发和死亡率方面的性能和临床实用性.
- 确定ML算法在这种外科背景下用于预测结果的关键特征.
主要方法:
- 根据系统审查和元分析 (PRISMA) 准则的首选报告项目进行了系统审查.
- 在Scopus,PubMed和Web of Science数据库的搜索中,发现了2021年5月12日之前发表的相关研究.
- 数据提取包括研究特征,ML模型性能指标 (灵敏度,特异性,AUC) 和重要的预测特征.
主要成果:
- 分析了13项涉及5048名患者的研究,重点是预测腺瘤,壮症和库辛病的结果.
- 所有包括的研究都报告了曲线下的面积 (AUC) 大于0.7,这表明ML模型具有显著的临床效用.
- 整体算法和神经网络经常表现出卓越的性能;生物化学和手术前因素通常被确定为关键预测因素.
结论:
- 机器学习算法具有巨大的潜力,可以准确预测跨形手术的术后结果.
- 这些预测能力可以显著提高临床决策,并最终改善患者护理和手术规划.
- 通过LIME和Shapley值等方法解决模型可解释性的挑战,对于更广泛的临床采用至关重要.
