机器学习模型对预测心力衰竭预后的有效性:系统性审查和元分析

科学领域:

• 生物医学信息学 生物医学信息学
• 心血管医学 心血管医学
• 医疗保健中的人工智能

背景情况:

• 心力衰竭 (HF) 是一个重大的全球健康挑战.
• 机器学习 (ML) 为HF早期风险识别和干预提供了一个有希望的途径.
• 通过先进的预测建模来改善HF预后是一个关键的临床目标.

研究的目的:

• 系统地评估ML模型在预测HF预后,特别是再入院和死亡率方面的表现.
• 确定影响ML模型对HF结果预测准确性的因素.
• 为提高ML在HF管理中的临床实用性提供见解.

主要方法:

• 在主要数据库 (PubMed,科学网,Scopus,Embase) 进行了全面的文献搜索,截至2023年4月.
• 使用MedCalc软件进行了元分析,合成了31项纳入研究的数据.
• 小组分析探讨了各种因素的影响,包括ML模型类型,预测间隔,样本大小和验证方法.

主要成果:

• ML模型在预测HF死亡率方面表现适度 (AUC = 0.790),但在HF再接收方面表现相对差 (AUC = 0.675).
• 通常使用的ML模型包括随机森林,增强,支持矢量机器和神经网络.
• 有利的模型性能与1年预测间隔,大样本大小 (≥10,000),多个变量 (≥100),外部验证,超参数调整,校准和10倍交叉验证有关.

结论:

• ML模型显示出预测HF死亡率的潜力,但它们对再接收预测的有效性需要显著改进.
• 现有研究的整体质量是一个局限性,强调了需要更严格的研究.
• 针对ML模型开发和实际应用的有针对性的改进对于提高HF预后预测能力至关重要.