机器学习模型用于使用电子健康记录数据预测胰腺癌风险-系统性审查和评估
Anup Kumar Mishra1, Bradford Chong1, Shivaram P Arunachalam1
1Department of Gastroenterology and Hepatology, Mayo Clinic, Rochester, Minnesota, USA.
The American journal of gastroenterology
|May 16, 2024
概括
机器学习和人工智能显示出使用电子健康记录 (EHR) 预测胰腺癌 (PC) 风险的前景. 需要进一步验证,特别是使用可解释的AI,以确定新的风险因素并改善早期检测.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 准确的胰腺癌 (PC) 风险预测对于有效的查和早期检测至关重要.
- 机器学习 (ML) 和人工智能 (AI) 提供了使用电子健康记录 (EHR) 改进PC风险预测的潜力.
研究的目的:
- 系统地审查和评估ML/AI技术的有效性应用到EHR用于PC风险预测.
- 评估AI/ML在识别胰腺癌高风险个体方面的现状和潜在应用.
主要方法:
- 在多个数据库 (MEDLINE,EMBASE,Cochrane,Scopus,Web of Science) 进行了系统的搜索,2012年1月至2024年2月期间发表的研究.
- 两个独立的审稿人进行了研究选择和数据提取. 使用既有工具评估了偏差风险和适用性.
主要成果:
- 分析了30项涉及169,149例PC病例的研究,后勤回归是最常用的方法.
- 机器学习模型显示了广泛的歧视性能 (C指数:0.571.0).
- 关键的局限性包括缺少数据的报告不足和不经常使用可解释的AI或排除间隔的报告.
结论:
- 使用已知的风险因素的AI/ML模型显示,在现实世界验证后,在针对性PC查中近期应用的潜力.
- 将结构化和非结构化EHR数据与先进的人工智能 (包括可解释的人工智能) 整合起来,可以发现新的PC风险因素,需要进一步调查.
