使用机器学习算法早期检测败血症:系统审查和网络元分析
Mikhail Ya Yadgarov1, Giovanni Landoni2,3, Levan B Berikashvili1
1Federal Research and Clinical Centre of Intensive Care Medicine and Rehabilitology, Moscow, Russia.
Frontiers in medicine
|October 31, 2024
概括
与传统方法相比,机器学习模型显著提高了败血症预测的准确性. 神经网络和决策树显示出最高的性能,突出显示了模型和数据选择对临床使用的重要性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临床预测模型临床预测模型
背景情况:
- 机器学习 (ML) 在医学中越来越多地使用,对其用于败血症预测的应用有很大的兴趣.
- 由于干预的"黄金时刻"时间框架,败血症预测至关重要.
- 这项研究评估了影响ML模型在败血症预测中疗效的因素,以获得临床优化.
研究的目的:
- 评估机器学习模型在成人患者实时性败血症预测中的有效性.
- 将ML模型的性能与传统评分系统进行比较.
- 确定影响基于ML的败血症预测准确性的因素.
主要方法:
- 在多个数据库 (Medline,PubMed,Google Scholar,CENTRAL) 进行了系统的文献搜索,直到2023年10月.
- 使用CINeMA方法进行的网络元分析 (NMA) 与ML模型和传统评分系统进行了比较.
- 使用元回归来确定影响模型性能的因素,以曲线下的面积 (AUC) 为主要结果.
主要成果:
- 对与457,932名患者和256个模型有关的73篇文章的分析显示,ML模型的AUC总值为0.825.
- 在败血症预测方面,ML模型显著超过了传统的评分系统.
- 神经网络和决策树模型显示出最高的AUC指标,模型类型,数据集类型和预测窗口被确定为重要因素.
结论:
- 机器学习模型,特别是神经网络和决策树,在败血症预测方面表现出卓越的性能.
- 模型类型和数据集特征对于预测准确性至关重要.
- 标准化报告和验证对于ML医疗保健应用至关重要,并呼吁更广泛的临床实施.
