使用机器学习技术对产前出生体重预测模型研究的方法行为和偏差风险:系统性审查
Jing Gao1,2,3, Yujun Yao4, Jingdong Xue5
1International Peace Maternity and Child Health Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, 200030, China.
产前出生体重预测的机器学习模型通常具有较差的方法质量和偏差的高风险. 对于临床应用,研究设计和报告的改进是迫切需要的.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 产前健康 产前健康
背景情况:
- 准确的产前出生体重估计对于胎儿健康管理至关重要.
- 机器学习 (ML) 为开发先进的预测模型提供了潜力.
- 评估现有的ML模型的质量对于可靠的临床使用至关重要.
研究的目的:
- 系统地评估基于ML的产前出生体重预测模型的方法质量和偏差风险.
- 确定这些研究的设计和报告中的常见局限性.
主要方法:
- 2018年至2022年间发表的ML胎儿体重预测模型的系统审查.
- 利用个体预后或诊断 (TRIPOD) 陈述多变量预测模型的透明报告来报告质量评估.
- 采用预测模型偏差风险评估工具 (PROBAST) 来评估参与者,预测器,结果和分析领域的偏差风险.
主要成果:
- 包括14项研究,中位数遵守TRIPOD报告项目为63.19%.
- 观察到方法严谨性的显著差异,参与者和预测因素选择中存在偏差的高风险.
- 常见问题包括缺少数据,样本规模不足,性能评估不足,模型透明度和可重复性有限.
结论:
- 基于ML的产前出生体重预测模型的方法质量通常很差,存在高偏差风险.
- 在研究设计,报告,透明度和可重复性方面,迫切需要改进.
- 将TRIPOD和PROBAST调整为ML模型可以提高临床适用性并减少研究浪费.
更多相关视频
09:09Generating a Reproducible Model of Mid-Gestational Maternal Immune Activation using PolyI:C to Study Susceptibility and Resilience in Offspring
Published on: August 17, 2022
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Regression Toward the Mean
Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches
Non-controlled studies, commonly employed for initial exploration, lack a control group, rendering them susceptible to biases and external influences. In contrast,...
Bias in Epidemiological Studies
Mechanistic Models: Compartment Models in Individual and Population Analysis
