机器学习改善了胃肠道手术后术后结果的预测:系统性审查和元分析

科学领域:

• 手术预测结果的预测.
• 医疗数据分析 医疗数据分析
• 比较有效性研究比较有效性研究

背景情况:

• 机器学习 (ML) 越来越多地用于预测手术结果.
• 机器学习对逻辑回归 (LR) 等传统统计方法的优势仍然不清楚.
• 本研究比较了ML和LR模型在预测胃肠道 (GI) 手术中术后结果方面的表现.

研究的目的:

• 系统地审查和元分析ML与LR模型的性能.
• 为了比较ML和LR模型在预测胃肠道手术患者的术后结果方面的区分能力.

主要方法:

• 在主要的科学数据库 (Embase,MEDLINE,Cochrane,Web of Science,Google Scholar) 进行系统搜索,直到2022年12月.
• 使用随机效应模型进行元分析,以对ML和LR模型的接收器运行特征曲线 (AUC) 下的面积进行比较.
• 包括38项研究,使用62个LR模型和143个ML模型.

主要成果:

• 在ML模型中,平均AUC明显高于LR模型 (ΔAUC = 0.07;P < .001).
• 与LR模型相比,ML模型还显示AUC的平均逻辑值明显高 (Δlogit [AUC] = 0.41;P < .001).
• 这些发现即使在低偏差风险的研究子集分析中仍然具有意义.

结论:

• 与后勤回归相比,机器学习算法在预测胃肠道手术术后术后果方面提供了显著的改进.
• 需要标准化的协议来开发和报告手术研究中的ML模型.
• 进一步的研究应该集中在临床实践中的ML模型的实际实施上.