预测脑膜瘤手术后结果的机器学习:系统性审查和元分析
Siraj Y Abualnaja1, James S Morris2, Hamza Rashid1
1Peterborough City Hospital, Peterborough, UK.
Acta neurochirurgica
|December 17, 2024
概括
机器学习 (ML) 算法在预测脑膜瘤患者的结果方面表现有前途,优于传统方法. 需要进一步的研究来验证它们的临床实用性.
科学领域:
- 神经外科 神经外科
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 脑膜瘤是最常见的原发性脑瘤,占所有内瘤的三分之一以上.
- 估计脑膜瘤患者患病率和死亡率的传统方法依赖于主观评估,导致变化.
- 准确的预后对于有效的患者管理和治疗规划至关重要.
研究的目的:
- 系统地审查和对机器学习 (ML) 算法的有效性进行元分析,以预测脑膜瘤患者的术后结果.
- 使用临床和放射性数据对传统评估方法进行ML模型的预测准确性比较.
- 确定在脑膜瘤病例中预测存活结果的最大潜力的ML模型类.
主要方法:
- 在2023年12月,在PubMed,DARE,Cochrane图书馆和SCOPUS数据库中进行了全面的文献搜索.
- 两个独立的审稿人进行了文献搜索和数据提取.
- 随机效应元分析被用来估计ML算法在预测各种术后结果的准确性.
主要成果:
- 分析包括32项研究,包括142,459名患者和139,043名脑膜瘤患者.
- 结合临床和放射性数据的ML模型显著优于使用单一数据类型或传统方法的模型.
- 曲线下面积 (AUC) 的聚合估计在0.74-0.81之间,用于预测整体存活率和无复发存活率,整体分类器特别有希望.
- 观察到女性患者的预测准确度更高的潜在偏差,可能是由于脑膜瘤的患病率.
结论:
- 机器学习具有显著的潜力,可以提高脑膜瘤患者预后的准确性.
- 集体ML分类器在预测生存结果方面显示出对未来临床应用的巨大希望.
- 需要进行前性,大规模的研究,直接比较标准化ML方法与临床验证的传统方法.
