基于机器学习的模型用于预测头骨底部和脊髓瘤的结果:系统性审查和元分析
Bardia Hajikarimloo1, Ibrahim Mohammadzadeh2, Azin Ebrahimi2
1Department of Neurological Surgery, University of Virginia, Charlottesville, USA. bardii47@yahoo.com.
概括
机器学习 (ML) 模型显示出对瘤进展,复发和生存的强有力的预测能力. 这些先进的模型为患有这些具有挑战性的骨瘤的患者提供了更好的预测.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 医疗成像医学成像
背景情况:
- 冠状瘤是一种罕见的,具有攻击性的骨瘤,由结节残留物引起.
- 由于复杂的手术和对传统疗法的耐药性,管理起来具有挑战性.
- 不利的预后需要新的预测策略.
研究的目的:
- 系统地评估机器学习 (ML) 模型在chordoma中的预测性能.
- 评估ML模型用于预测疾病进展,复发和患者存活率.
主要方法:
- 在主要数据库 (PubMed,Embase,Scopus,Web of Science) 进行系统的文献搜索,截至2025年1月28日.
- 包括 ML 模型预测头骨底部和脊髓瘤,并报告性能指标 (C-指数,AUC,ACC,灵敏度,特异性).
- 使用R进行随机效应元分析;使用QUADAS-2工具评估偏差风险.
主要成果:
- 分析了15项研究,包括3525种冠状动脉瘤.
- 聚合的元分析显示了强大的预测性能:C指数0.81,AUC0.86,ACC0.80.
- 高聚合灵敏度 (0.74) 和特异性 (0.78) 表示强大的诊断能力.
结论:
- 机器学习模型在预测瘤结果方面显示出显著的潜力.
- 这些模型为预测进展,复发和生存提供了强大的性能.
- ML的整合可能会增强临床决策和病人的管理,为chordomas.


