基于机器学习的预测模型用于静脉血栓塞栓症患者:系统性审查
Vasiliki Danilatou1,2, Dimitrios Dimopoulos3, Theodoros Kostoulas3
1School of Medicine, European University of Cyprus, Nicosia, Cyprus.
Thrombosis and haemostasis
|April 4, 2024
概括
机器学习临床预测模型 (ML-CPMs) 显示出改善静脉血栓塞栓症 (VTE) 护理的希望. 需要进一步的研究来标准化报告,并验证这些先进的模型用于现实世界的应用.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 临床决策支持 临床决策支持
背景情况:
- 静脉血栓塞栓症 (VTE) 构成了严重的健康和经济负担.
- 现有的VTE临床预测模型 (CPM) 在决策方面存在局限性.
- 本综述探讨了机器学习 (ML) 如何利用电子健康记录数据增强CPM.
研究的目的:
- 系统地审查机器学习 (ML) 应用程序,以提高VTE CPM.
- 探索ML-CPMs用于VTE风险分层,结果预测,诊断和治疗.
- 确定VTE的ML-CPMs中的研究差距和挑战.
主要方法:
- 在PubMed,谷歌学者和IEEE的系统文献搜索.
- 纳入标准侧重于结构化数据,不包括非英语,非人类,NLP,图像处理和特定患者群体.
- 对VTE中ML-CPM的77项选定的研究进行分析.
主要成果:
- 在曲线下的接收器操作区域中,ML-CPM通常表现优于传统的CPM.
- 大多数纳入的研究都是回顾性,单一的,缺乏外部验证.
- 确定的挑战包括标准化报告,可重复性和模型比较.
结论:
- ML-CPMs显示出增强VTE风险评估和个性化治疗的潜力.
- 迫切需要标准化报告,方法,外部验证和前性研究.
- 需要进行干预性研究来评估人工智能在VTE管理中的实际影响.
