机器学习方法用于跨导管大动脉植入的风险预测:系统审查和元分析

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 人工智能在医学中的应用

背景情况:

• 人工智能 (AI) 和机器学习 (ML) 越来越多地用于结构性心脏病.
• 许多ML模型已经开发出来,用于预测通过导管的大动脉植入 (TAVI) 后的不良结果.
• 对这些模型的批判性评估对于理解它们的性能和临床实用性至关重要.

研究的目的:

• 系统地识别,描述和批判性地评估TAVI后不良结果的ML预测模型.
• 要总结这些ML模型的性能.
• 评估他们是否遵守报告准则和透明度.

主要方法:

• 在PubMed,SCOPUS和Embase进行了系统的文献搜索,直到2023年8月.
• 包括已发表的ML模型预测TAVI结果;数据提取和质量评估由两个独立审查员进行.
• 模型性能使用C统计进行评估,并使用预测模型偏差风险评估工具评估偏差风险.

主要成果:

• 审查了21项研究,包括118,153名患者和76个ML模型.
• 模型性能不同,其中30.3%显示出出色的预测能力 (C-统计>0.80).
• 分析显示,早期死亡率 (C-统计:0.81),可接受的一年死亡率 (C-统计:0.76) 和永久心脏起器植入 (C-统计:0.75) 的表现很好.

结论:

• 对于TAVI结果的ML模型显示出足够的到出色的预测性能,表明潜在的临床价值.
• 确定了有关方法和透明度的担忧.
• 在这些模型的开发和验证中,显然需要加强科学报告标准.