在新生儿败血症中基于机器学习的模型的诊断性能:系统性审查

科学领域:

• 医疗信息学 医疗信息学
• 新生儿科学 新生儿科学
• 机器学习应用 机器学习应用

背景情况:

• 新生儿败血症的诊断带来了重大挑战.
• 及时和准确的诊断对于有效的治疗和改善结果至关重要.
• 机器学习 (ML) 提供了增强诊断能力的潜力.

研究的目的:

• 系统地评估ML技术用于新生儿败血症预测的诊断性能.
• 综合有关ML模型在识别新生儿败血症方面的准确性证据.

主要方法:

• 对开发或验证新生儿败血症ML算法的研究进行系统审查和元分析.
• 在多个数据库中进行搜索 (MEDLINE,Embase,科学网,Cochrane CENTRAL).
• 排除了使用自动化生命体征数据的研究;使用PROBAST评估偏差风险.

主要成果:

• 包括19项研究与76个ML模型;随机森林是最常见的.
• 聚合灵敏度为0.87,特异性为0.89,用于预测任何败血症.
• 接收器操作特征曲线下的聚合面积为0.94;在大多数研究中注意到偏差的高风险.

结论:

• ML技术显示出新生儿败血症的良好诊断准确性.
• 所有纳入的研究都缺乏外部验证.
• 从高负担国家开发特定背景模型至关重要.