机器学习模型的比较,以预测减肥手术的并发症:一个系统的审查

科学领域:

• 医疗信息学 医疗信息学
• 手术结果研究研究.
• 医疗保健中的人工智能

背景情况:

• 由于生活方式的变化,腹部外科手术在全球越来越普遍.
• 早期识别减肥手术并发症对于患者的结果至关重要.
• 机器学习 (ML) 提供了预测这些并发症的潜力.

研究的目的:

• 系统地审查ML技术的应用,以预测减肥手术并发症.
• 为此目的提供不同ML算法的有效性.

主要方法:

• 根据PRISMA指南,在2023年进行系统审查.
• 使用定义的包含和排除标准,搜索科学数据库.
• 利用叙事合成进行定量数据分析.

主要成果:

• 集成算法在大型数据集,特别是国家注册表上表现出卓越的性能.
• 人工神经网络 (ANN) 在单中心数据库上表现更好.
• 深信网络 (DBN) 和ANN对于预测糖尿病,血栓形成和抑郁等并发症是有效的.

结论:

• 集合和非集合ML算法的选择取决于数据集类型和特定的并发症.
• 本综述强调了ML在提高减肥手术并发症预测方面的实用性.