基于机器学习的入院患者倒的预测模型:系统性审查和元分析

科学领域:

• 计算医学是一种计算医学.
• 医疗信息学 医疗信息学
• 临床预测模型的临床预测模型.

背景情况:

• 医院跌倒是患者伤害和长时间住院的重要原因之一.
• 准确预测跌倒风险对于有效的患者管理至关重要.
• 机器学习为开发先进的预测工具提供了潜力.

研究的目的:

• 系统地审查和分析用于预测住院患者中跌倒风险的机器学习模型.
• 评估现有模型的性能,偏差和适用性.
• 确定关键的预测因素和需要改进的领域.

主要方法:

• 来自PubMed,EMBASE,Web of Science和Cochrane图书馆的研究的系统审查和元分析.
• 使用CHARMS检查清单进行数据提取,使用PROBAST工具进行偏差评估.
• 使用Meta-disc软件进行元分析,计算曲线下的面积 (AUC),灵敏度和特异性.

主要成果:

• 量化分析了13项研究,显示住院患者的跌倒率从0.14%到50.69%.
• 年龄和多种药物是常见的预测因素;联合AUC为0.82 (灵敏度0.69,特异性0.70).
• 研究显示总体质量令人满意,但存在偏见的高风险,特别是在参与者报告和分析中.

结论:

• 机器学习模型对于预测医院倒闭是有希望的,但需要更广泛的验证以获得临床适用性.
• 高偏差风险和低可重现性是当前模型的关键局限性.
• 提供了建议,以应对挑战,并加强这些预测工具的实际使用.