使用机器学习模型预测心脏移植的死亡率:系统性审查和元分析

科学领域:

• 医疗信息学 医疗信息学
• 心脏病学 心脏病学
• 人工智能的人工智能

背景情况:

• 机器学习 (ML) 模型越来越多地用于预测心脏移植 (HT) 后死亡率.
• 准确预测死亡率对于改善HT患者的治疗结果和决策至关重要.

研究的目的:

• 系统地审查和元分析ML算法在预测HT后死亡率方面的表现.
• 确定影响这些预测模型准确性的因素.

主要方法:

• 在主要数据库 (PubMed,Scopus,Web of Science,Embase) 中进行了系统的搜索.
• 综述包括17项研究,12项在元分析中,评估了诸如随机森林,CatBoost和神经网络等算法.
• 模型性能使用曲线下的聚合面积 (AUC) 进行评估,并使用QUADAS-2评估偏差风险.

主要成果:

• 对于ML算法,整体的AUC是0.65. CatBoost获得了最高的精度 (AUC 0.80),而K-最近邻居获得了最低的精度 (AUC 0.53).
• 随着更长的移植后观察期,模型的性能得到了改善.
• 将表现最好的模型组合在一起,得到了0.73.7的改善AUC. 几项研究中注意到存在偏差的高风险.

结论:

• 机器学习模型在预测HT后死亡率方面提供中度准确性,CatBoost显示出卓越的性能.
• 尽管有潜力,但显著的异质性和偏见需要标准化的方法和临床整合的外部验证.