使用机器学习预测心脏骤停后的结果:系统性审查和元分析
Amirhosein Zobeiri1, Alireza Rezaee1, Farshid Hajati2
1Department of Mechatronics, School of Intelligent Systems, College of Interdisciplinary Science and Technology, University of Tehran, Tehran, Iran.
International journal of medical informatics
|October 31, 2024
概括
机器学习和深度学习模型对预测心脏骤停患者的结果显示出希望. 然而,研究中的重大偏见和异质性限制了这些人工智能方法的可靠性.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 心脏骤停后患者的预后是具有挑战性的.
- 机器学习 (ML) 和深度学习 (DL) 模型为改善预测提供了潜力.
- 本综述评估了AI在使用结构化数据预测临床结果方面的有效性.
研究的目的:
- 系统地审查和元分析ML和DL模型在预测心脏骤停后临床结果方面的有效性.
- 为了评估不同时间点的预测准确性.
- 识别共同的预测特征并评估模型偏差.
主要方法:
- 按照PRISMA指南进行系统审查和元分析.
- 在PubMed,Scopus和Web of Science数据库中搜索到2024年3月.
- 包括预测自发循环回归 (ROSC),生存或神经结果的研究,使用结构化数据上的ML / DL.
- 使用CHARMS检查清单提取数据,并使用PROBAST工具评估偏差.
- 对报告AUC的模型进行了定量综合和元分析,其可信度间隔为95%.
主要成果:
- 包括41项使用97个ML和16个DL模型的研究.
- 在出院时有利的神经结果的AUC:0.871 (ML) 和0.877 (DL).
- 预测存活时间的AUC:0.837.
- 观察到高异质性和偏差风险,主要是由于缺少数据处理和缺少校准图表.
- 通常使用的特征包括年龄,性别和初始停顿节奏.
结论:
- 基于AI的预测模型 (ML/DL) 比传统的回归算法更有效.
- 显著的异质性和高偏差风险限制了当前模型的可靠性.
- 对表格数据的最新DL模型及其临床概括性的进一步研究是必要的,以提高结果预测.
