基于临床,荷尔蒙 (实验室) 和成像数据的机器学习模型的元分析,用于诊断中部早期青春期

科学领域:

• 内分泌学 在内分泌学.
• 人工智能在医学中的应用
• 儿科健康 儿科健康

背景情况:

• 中央早期青春期 (CPP) 诊断依赖于昂贵且耗时的GnRH刺激测试.
• 使用临床,荷尔蒙和成像数据的机器学习 (ML) 模型正在出现用于CPP识别.
• 现有研究中的各种ML方法阻碍了直接比较和理解它们的诊断价值.

研究的目的:

• 进行元分析,评估CPP的ML模型的诊断价值.
• 评估ML模型,利用临床,荷尔蒙和成像数据进行CPP诊断.
• 为了确定ML模型在识别CPP时的聚合性能指标.

主要方法:

• 对诊断CPP的ML模型进行全面的文献搜索 (至2023年12月).
• 从SROC曲线计算聚合的灵敏度,特异性,概率比率和AUC.
• 使用I2测试和元回归来评估异质性;通过Deeks漏斗图表评估的出版偏差.

主要成果:

• 六项研究被纳入了元分析.
• 聚合灵敏度为0.82 (95% CI为0.62-0.93),聚合特异性为0.85 (95% CI为0.80-0.90).
• 曲线下的面积 (AUC) 为0.90 (95% CI为0.87-0.92),表明具有良好的诊断价值.

结论:

• 使用临床和成像数据的ML模型显示了CPP的出色诊断能力.
• 这些模型具有高灵敏度,特异性和AUC,证实了它们的实用性.
• 未来的研究应该解决地理局限性,以提高CPP差异化和治疗的适用性和可靠性.