使用机器学习预测截肢:一个系统的审查

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 手术预测结果的预测

背景情况:

• 截肢是许多疾病的最后手段.
• 截肢延迟可能会增加患者的发病率和死亡率风险.

研究的目的:

• 系统地审查和综合现有关于机器学习 (ML) 应用程序的文献,以预测截肢结果.
• 在截肢预测中评估ML模型的性能和局限性.

主要方法:

• 从开始到2023年3月5日,在主要数据库 (OVID Embase,OVID Medline,ACM数字图书馆,Scopus,科学网,IEEE Xplore) 进行了全面的文献搜索.
• 对1376项研究进行选,最终包括15篇文章进行分析.
• 用曲线下的面积 (AUC) 度量来评估ML模型的性能.

主要成果:

• ML模型在糖尿病人群中预测截肢的表现有变化至优异 (AUC:0.6-0.94).
• 模型在创伤患者中显示出强大至优异的预测性能 (AUC:0.88-0.95).
• 模型在因烧伤和外周血管疾病而被截肢的患者中取得了类似的高性能 (AUC:0.81-1.0).

结论:

• 开发的ML模型显示出在预测截肢方面超越传统技术和临床判断的潜力.
• 许多审查的研究显示存在偏差的高风险,主要是由于样本规模小.
• 进一步的研究是必要的,以解决目前的研究局限性,并促进临床实施的ML截肢预测.