评估机器学习模型用于心房患者中风预后和预测:全面的元分析
Bill Goh1,2, Sonu M M Bhaskar1,2,3,4,5,6
1Global Health Neurology Lab, Sydney, NSW 2150, Australia.
Diagnostics (Basel, Switzerland)
|November 9, 2024
概括
机器学习 (ML) 模型在预测中风患者中风预后和心房动 (AF) 时表现出中等的准确性. 在用于急性缺血性中风 (AIS) 管理的广泛临床采用之前,需要进一步细化和验证.
科学领域:
- 心脏病学 心脏病学
- 神经学 神经学
- 医疗信息学 医疗信息学
背景情况:
- 心房动 (AF) 显著复杂化了急性缺血性中风 (AIS) 的管理.
- 准确的预测模型对于改善AF患者的临床结果至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在AF患者中风预后和预测中的有效性.
- 评估ML模型对中风患者的AF预测.
- 在实践中探索ML集成的临床实用性和限制.
主要方法:
- 在PubMed,Embase和Cochrane数据库中进行系统的文献搜索,截至2024年6月.
- 包括评估ML准确度在AF患者中风预后/预测和AF患者中风预测中的研究.
- 数据提取和质量评估由两个独立的审查员;随机效应建模用于聚合准确度指标.
主要成果:
- 分析了24项涉及730多万患者的研究.
- 在AF中脑卒中预后的AUROC是0.79;在AF中脑卒中预测的AUROC是0.68.
- 机器学习模型表现出适度的预测能力 (平均AUROC为0.75),极端梯度增强 (XGB) 和随机森林 (RF) 显示出有希望. 在中风后预测AF的平均AUROC为0.75.
结论:
- ML模型显示出潜力,但尚未达到在AIS和AF管理中广泛采用的临床标准.
- 进一步的模型改进,标准化和在不同人群中验证是必要的.
- 提高预测准确度可以改善患者的治疗结果和临床决策.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
1.6K
