机器学习算法预测COVID-19儿童和青少年的结果:系统性审查
Adriano Lages Dos Santos1, Clara Pinhati2, Jonathan Perdigão2
1Department of Pediatrics, Health Sciences Postgraduate Program, School of Medicine, Federal University of Minas Gerais (UFMG), Belo Horizonte, Brazil; Federal Institute of Education, Science and Technology of Minas Gerais (IFMG), Belo Horizonte, Brazil.
Artificial intelligence in medicine
|March 29, 2024
概括
对于儿科COVID-19的机器学习模型有希望,但需要改进方法. 针对小样本大小和不一致的报告对于可靠的临床预测模型至关重要.
科学领域:
- 儿童传染病 儿童传染病
- 医疗保健中的机器学习
- 临床预测建模模型
背景情况:
- 全球范围内,COVID-19对儿童和青少年产生了重大影响.
- 开发准确的临床预测模型对于管理儿科COVID-19至关重要.
- 机器学习 (ML) 为创建这些模型提供了先进的工具.
研究的目的:
- 在基于ML的临床预测模型中分析研究设计,ML方法和性能指标,用于儿科COVID-19.
- 为了确定发展这些模型的趋势和挑战.
主要方法:
- 对2020年1月1日至2023年10月25日期间发表的文章进行了四个数据库的系统搜索.
- 研究侧重于使用任何ML技术的多变量预测模型,用于预测儿童COVID-19患者的结果.
- 十篇文章符合纳入标准.
主要成果:
- 六项研究 (60%) 开发了诊断模型,四项 (40%) 开发了预后模型.
- 所有模型都预测了二元结果,疾病检测是最常见的预测 (30%).
- 基于树的模型 (36.3%) 和神经网络 (33.2%) 是最常用的ML技术.
结论:
- 对于儿科COVID-19的现有ML模型经常受到小样本大小和数据准备和性能指标不一致的报告的影响.
- 报告的校准,歧视和可重复性方面缺乏,阻碍了临床应用.
- 需要改进方法来提高这些模型的可靠性和可重复性.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
08:05Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques
Published on: June 30, 2020
7.5K
