机器学习模型用于肝移植预后的使用:系统性审查
Gidion Chongo1, Jonathan Soldera2
1Department of Gastroenterology, University of South Wales, Cardiff CF37 1DL, United Kingdom.
World journal of transplantation
|April 5, 2024
概括
与传统的评分系统相比,机器学习 (ML) 模型在预测肝移植 (LT) 结果方面表现优越. 这些先进的模型为患者选择和全移植分配提供了改进的预后.
科学领域:
- 医疗信息学 医疗信息学
- 手术瘤学手术瘤学
- 移植医学 移植医学
背景情况:
- 肝移植 (LT) 对末期肝病至关重要,但在公平的器官分配方面面临挑战.
- 传统的预后工具,如末期肝病模型 (MELD) 评分是必不可少的,但在不断发展.
- 机器学习 (ML) 和人工智能 (AI) 正在改变LT的预测.
研究的目的:
- 评估ML模型在预测LT结果方面的有效性.
- 将ML模型的性能和可靠性与传统评分系统进行比较.
主要方法:
- 使用PubMed/MEDLINE进行的系统文献搜索,遵循PRISMA指南.
- 纳入标准集中在具有全面数据的研究上,不包括评论,案例报告和非英语文章.
- 对于出版年份,年龄或性别没有任何限制.
主要成果:
- 在64篇审查的文章中,有23篇符合纳入标准,其中91%是在过去五年发表的.
- 机器学习模型始终取得高预测准确性 (AUC 0.6-1),超过传统的评分系统.
- 随机森林和梯度增强模型展示了对特定结果如死亡率,败血症和急性损伤 (AKI) 的卓越预测能力.
结论:
- ML模型表明,有很大的潜力来加强肝脏全移植分配和LT的决策.
- 这项研究突出了预测的范式转变,由人工智能和机器学习的进步推动.
