使用机器学习模型和电子健康记录预测神经发育障碍 - 现场现状

科学领域:

• 神经科学和计算生物学
• 医疗信息学和公共卫生

背景情况:

• 机器学习 (ML) 越来越多地用于预测神经发育障碍 (NDD),如自闭症谱系障碍 (ASD) 和注意力缺陷多动症障碍 (ADHD).
• 基于人口的登记册和电子健康记录为开发ML预测模型提供了丰富的数据,包括病史和社会人口统计数据.
• 对2010-2022年间的研究进行了综述,研究了ML在从这些数据源预测NDD时的使用.

研究的目的:

• 总结和评估用于基于人口登记册和电子健康记录的NDD预测模型的ML算法.
• 确定最有效的ML方法和NDD识别的关键预测因素.
• 要突出模型验证和报告NDD预测的挑战.

主要方法:

• 对2010年至2022年间发表的研究进行了系统的文献搜索.
• 确定了1191篇文章,32篇研究符合审查的纳入标准.
• 分析了数据以确定研究的NDD类型,使用的ML算法,性能指标 (灵敏度,AUC),重要预测因素和报告实践.

主要成果:

• 自闭症谱系障碍 (ASD) 和注意力缺陷多动性障碍 (ADHD) 是最常见的NDD (47%和25%).
• 经典的ML方法,特别是基于树的模型,是普遍存在的 (82%) 并表现良好.
• 模型实现曲线下面积 (AUC) >75%,但灵敏度通常为<75%. 关键预测因素包括患者/家庭病史和社会人口统计因素.
• 标准化报告准则的有限使用和私有数据集的挑战阻碍了模型的概括性和比较性.

结论:

• 通过使用电子健康记录和人口数据,ML具有早期NDD检测的巨大潜力.
• 改善模型通用性,验证和标准化报告对于临床翻译至关重要.
• 需要进一步的研究来充分利用ML,以便及时准确地识别NDD.