机器学习预测肝内胆管癌的早期复发:系统性审查和元分析

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:

• 早期预测肝内胆固醇癌 (ICC) 复发至关重要,但目前的方法缺乏足够的预测价值.
• 机器学习 (ML) 提供了在复发性ICC中提高诊断准确性的潜力.
• 将ML模型与传统临床模型进行比较对于临床实施至关重要.

研究的目的:

• 评估各种ML模型的诊断性能,用于早期复发性肝内胆管癌 (ICC).
• 将基于ML的诊断模型与已建立的临床模型的有效性进行比较.
• 确定最佳的ML模型用于诊断复发性ICC.

主要方法:

• 在三个电子数据库中进行了系统的文献搜索,截至2023年11月.
• 双对分析评估了ML模型与临床模型的诊断准确性.
• 网络元分析确定了使用积累性排名曲线 (SUCRA) 下面面积得分的最佳性能ML模型.

主要成果:

• 包括5项涉及1247名ICC患者的研究.
• 基于ML的诊断模型显示的准确性明显高于临床模型 (SUCRA接近1).
• 诺莫格拉姆ML模型表现出对复发性ICC的最佳诊断准确性.

结论:

• 基于ML的诊断模型对于复发性ICC比传统的临床模型更为优越.
• 推使用诺莫格拉姆模型作为对诊断复发性ICC的最佳ML方法.
• 进一步应用ML模型可以改善复发性ICC患者的治疗结果.