作为一种基于全血计的机器学习算法来早期检测结肠直肠癌的ColonFlag的有效性:系统性审查

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 结肠直肠癌 (CRC) 查对于降低死亡率至关重要,但参与率低于最佳水平.
• ColonFlag是一个机器学习算法,利用完整血清 (CBC) 数据来识别患有CRC高风险的个体.
• 本系统性审查评估了ColonFlag在全球多样化人口中的有效性.

研究的目的:

• 系统地审查和评估ColonFlag算法的性能,以识别患结直肠癌高风险的个体.
• 分析有关不同国家和不同人群的ColonFlag疗效的现有文献.

主要方法:

• 在PubMed,Cochrane,ScienceDirect和谷歌学者中按照PRISMA指南进行了系统的文献搜索.
• 关键词包括"CBC"",机器学习"",ColonFlag"和"CRC",数据收集自2016年至2023年8月.
• 考克伦预测模型偏差风险评估工具 (PROBAST) 用于评估纳入研究中的偏差风险.

主要成果:

• 从949篇初步文章中选择的10项研究符合资格标准.
• ColonFlag显示曲线下的面积 (AUC) 值在0.736到0.82.8之间.
• 灵敏度从3.91%到35.4%,特异性从82.73%到94%,积极预测值从2.6%到9.1%,负预测值从97.6%到99.9%.

结论:

• ColonFlag在使用常规血液检测识别结直肠癌高风险个体方面表现有前途.
• 与FIT或结肠镜等方法相比,尽管敏感性较低,但ColonFlag可能会提高早期检测率.
• 算法的性能受到瘤位置,阶段和时间窗口等因素的影响.