基于机器学习的Clostridioides difficile感染预测模型:系统审查

科学领域:

• 传染性疾病 传染性疾病
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 预测Clostridioides difficile感染 (CDI) 的发生率和结果是具有挑战性的.
• 电子健康记录 (EHR) 为预测建模提供了有价值的临床数据.
• 机器学习 (ML) 为改善CDI预测提供了一个有希望的途径.

研究的目的:

• 系统地审查和评估ML模型在预测CDI发病率和并发症方面的性能.
• 评估ML模型的性能,使用来自EHR的临床数据.
• 确定常见的ML技术及其在CDI预测中的有效性.

主要方法:

• 在主要数据库中进行全面的文献搜索,直到2023年9月.
• 包括使用ML进行CDI预测的回顾性研究.
• 基于接收器运行特征曲线 (AUC) 下面面积的性能评估.

主要成果:

• 包括12项研究,主要使用随机森林和梯度增强ML模型.
• 预测CDI发病率的AUC值在0.60至0.81.8之间.
• 复发和并发症的AUC值分别在0.59-0.80和0.64-0.88之间.
• 机器学习模型的性能与后勤回归相似,但CDI定义的异质性和缺乏外部验证得到了注意.

结论:

• 机器学习模型显示了预测CDI发生率和结果的潜力.
• CDI定义中的异质性和外部验证不足对临床实施构成挑战.
• 未来的研究应该优先考虑外部验证和标准化的CDI定义.