使用机器学习模型预测创伤后输血:系统性审查和叙事合成
William Oakley1, Sankalp Tandle, Zane Perkins
1From the Centre for Trauma Sciences (W.O., M.M.), Blizard Institute, Queen Mary University of London; and Barts Health NHS Trust (S.T., Z.P.), London, United Kingdom.
The journal of trauma and acute care surgery
|May 9, 2024
概括
机器学习模型对预测创伤患者的输血需求充满希望. 虽然许多模型在开发中表现良好,但进一步的外部验证对于临床使用至关重要.
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
- 创伤护理研究 创伤护理研究
背景情况:
- 出血是创伤中可预防死亡的主要原因.
- 准确预测血液输血需求是关键的,但具有挑战性.
- 机器学习 (ML) 提供了改善医学预测建模的潜力.
研究的目的:
- 系统地识别和评估预测创伤患者输血需求的ML模型.
- 评估用于输血预测的现有ML模型的性能和验证状态.
- 了解创伤输血管理中ML的当前景观和未来方向.
主要方法:
- 在PROSPERO注册的系统审查 (CRD4202237110).
- 搜索了MEDLINE,Embase和Cochrane控制试验的中央注册表.
- 包括报告ML模型在受伤成年人输血预测的研究;由于异质性的叙事综合.
主要成果:
- 确定了25个ML模型用于创伤血液输血预测,使用各种预测器和方法.
- 17个模型在内部验证中显示出良好的到优秀的预测性能 (AUC > 0.8).
- 只有四种模型 (出血风险指数,补偿储备指数,马斯登,米纳) 得到了外部验证;所有研究都有高偏差风险.
结论:
- 已经开发了25个ML模型来预测创伤输血需求,其中许多显示出强大的in silico性能.
- 由于有限的外部验证,ML模型开发和临床应用之间存在重大差距.
- 进一步的研究对于验证临床实践中可靠的个性化输血预测ML模型至关重要.
