系统评估机器学习模型用于术后手术部位感染预测
Anna M van Boekel1, Siri L van der Meijden2,3, Sesmu M Arbous2
1Department of Internal Medicine, Leiden University Medical Center, Leiden, The Netherlands.
PloS one
|December 12, 2024
概括
机器学习 (ML) 模型在预测手术部位感染 (SSI) 方面表现不同. 大多数模型缺乏外部验证,存在高偏差风险,与传统回归方法相比没有明显的优势.
科学领域:
- 医疗信息学 医疗信息学
- 临床预测模型临床预测模型
- 医疗保健中的机器学习
背景情况:
- 手术部位感染 (SSI) 显著增加患者的发病率,死亡率和医疗保健费用.
- 机器学习 (ML) 工具越来越多地用于预测SSI,需要对其有效性的评估.
研究的目的:
- 系统地审查和评估验证的ML模型的性能和方法质量,以预测SSI.
- 将ML模型的性能与传统的基于回归的方法进行比较.
主要方法:
- 在PubMed,Embase和Cochrane图书馆进行了系统的文献搜索,直到2023年7月.
- 如果报告了模型验证并专注于成年人群中的SSI,则将研究纳入. 排除标准包括复合结果和儿科数据.
- 模型性能指标 (例如,C统计,校准) 和偏差风险使用预测模型偏差风险评估工具进行了评估.
主要成果:
- 在4,377项研究中,包括了24项,描述了85个ML模型,81%缺乏外部验证.
- C-统计是主要的绩效指标;校准指标很少被报告.
- 常见的预测因素包括年龄,类固醇使用,性别,糖尿病和吸烟. 机器学习模型的性能与回归模型相似,总体偏差风险很高.
结论:
- 有许多ML模型用于SSI预测,但性能差异很大.
- 一个显著的局限性是缺乏外部验证和全面的绩效报告,再加上高风险的偏见.
- 目前的证据并没有证明ML模型优于SSI预测的回归方法.
