机器学习算法用于败血症预测的诊断性能:更新的元分析

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床诊断 临床诊断 临床诊断

背景情况:

• 早期的败血症鉴定显著提高了患者的预后.
• 败血症仍然是一个关键的全球健康挑战,需要改进的诊断工具.
• 及时干预是减少败血症相关死亡率和发病率的关键.

研究的目的:

• 系统地评估用于败血症预测的机器学习算法的诊断效果.
• 综合现有关于AI在败血症检测准确性研究的证据.
• 为机器学习在早期败血症识别中的作用提供全面的概述.

主要方法:

• 在PubMed,Embase和Cochrane数据库中进行了系统的文献搜索,直到2023年12月.
• 包括使用机器学习预测败血症的研究,提取了敏感性,特异性和AUC的数据.
• 对21项涉及400多万患者记录的研究进行了元分析.

主要成果:

• 整体聚合灵敏度为0.82,特异性为0.91,AUC为0.94,表明诊断准确度很高.
• 小组分析显示,急诊室 (AUC 0.94) 和重症监护室 (AUC 0.93) 的表现强.
• 这些发现突显了机器学习模型在不同临床环境中的强大性能.

结论:

• 机器学习算法证明了对败血症预测的出色诊断准确性.
• 这些算法显示出在早期毒症检测中临床应用的巨大潜力.
• 这些发现支持将人工智能工具集成到临床工作流程中,以改善败血症管理.