机器学习从例行医院数据中预测中风风险:系统性审查
William Heseltine-Carp1, Megan Courtman2, Daniel Browning1
1University of Plymouth, Room N6, ITTC Building, Plymouth Science Park, Plymouth PL68BX, UK.
International journal of medical informatics
|February 5, 2025
概括
机器学习 (ML) 显示出使用医院数据预测中风风险的前景,优于传统方法. 然而,需要进一步的研究来提高模型的准确性和临床整合.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 脑卒中是导致死亡和残疾的主要原因.
- 目前的中风风险预测工具的准确性有限,特别是对于非心房的患者.
- 需要改进中风风险分层模型.
研究的目的:
- 通过使用常规医院数据,系统地审查机器学习 (ML) 对中风风险预测的研究.
- 确定方法上的局限性,并为未来基于ML的中风预测研究提供建议.
主要方法:
- 2013年1月至2024年12月期间发表的49篇原创研究文章的系统审查.
- 研究利用机器学习算法和常规医院数据来预测中风风险.
- 在PUBMED数据库中进行了搜索,包括一般和心房的特定人群.
主要成果:
- 机器学习模型在预测中风风险方面表现出高准确度 (AUC 0.64-0.99).
- 机器学习模型的性能始终优于传统工具,如CHA 2 DS 2 -VASc.
- ML从ECG,实验室和心电图数据中发现了新的风险因素,但注意到了数据集质量,过度匹配和缺乏验证.
结论:
- 机器学习对中风风险预测和新型风险因素识别具有重大潜力.
- 研究方法的改进,包括遵守EQUATOR指南和跨学科合作至关重要.
- 需要前性研究来验证ML模型并评估临床整合的障碍.
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
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.0K
