预测死胎的机器学习:系统性审查
Qingyuan Li1, Pan Li2, Junyu Chen3
1Department of Clinical Medicine, International Medical College of Chongqing Medical University, Yixueyuan Road No.1, Yuzhong District, Chongqing, 400016, China.
Reproductive sciences (Thousand Oaks, Calif.)
|July 30, 2024
概括
人工智能 (AI) 和机器学习 (ML) 在预测死亡出生方面表现有前途,这是一个主要的全球健康问题. 虽然目前的模型显示了准确性,但需要进一步开发临床应用.
科学领域:
- 生殖健康 生殖健康
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 死产每年影响超过500万例怀孕,构成了全球重大健康挑战.
- 生死胎的复杂多因素性质使准确的预测和预防工作变得复杂.
- 人工智能 (AI) 和机器学习 (ML) 提供了潜在的解决方案,以提高临床决策在死产风险评估.
研究的目的:
- 系统地审查现有关于机器学习 (ML) 模型的现有文献,这些模型是为预测死胎而开发的.
- 分析这些预测模型的输入数据,性能指标和验证方法的特征.
- 为了确定人工智能驱动的死产预测的当前状态和局限性.
主要方法:
- 在PubMed,Cochrane和Web of Science数据库中进行了全面的文献搜索,寻找利用人工智能预测死胎的研究.
- 使用包括叙事合成和图形表示在内的定性分析来分析研究结果.
- 使用PROBAST评估了偏差风险和适用性,重点是模型设计和性能.
主要成果:
- 包括8项研究,包括14,840,654名女性. 常见的算法是神经网络,随机森林和后勤回归,使用14-53个预测特征.
- 模型验证是有限的,只有50%的研究进行了模型验证,25%进行了外部验证.
- 曲线下的面积 (AUC) 范围在0.54-0.9,灵敏度和特异性各不相同. 一个堆叠的组合模型实现了AUC=0.9和>85%的灵敏度/特异性.
结论:
- 机器学习模型在预测死胎方面显示出相当大的准确性,有可能有助于临床决策.
- 尽管有希望的结果,但当前的ML模型在广泛临床实施之前需要进一步改进和强有力的验证.
- 未来的研究应该专注于提高模型通用性和外部验证,以确保可靠的临床实用性.
更多相关视频
07:04A Novel Use of Three-dimensional High-frequency Ultrasonography for Early Pregnancy Characterization in the Mouse
Published on: October 24, 2017
8.2K
09:51Model Surgical Training: Skills Acquisition in Fetoscopic Laser Photocoagulation of Monochorionic Diamniotic Twin Placenta Using Realistic Simulators
Published on: March 21, 2018
19.6K
