在外部验证模型中的透明度:对预测结直肠道泄漏的机器学习与后勤回归的系统审查
Sara Ben Hmido1, Houssam Abder Rahim2, Erik W Ingwersen1
1Department of Surgery, Amsterdam University Medical Centers, De Boelelaan 1117, 1081, HV Amsterdam, the Netherlands; Cancer Center Amsterdam, De Boelelaan 1118, 1081, HV Amsterdam, the Netherlands.
概括
对于结直肠解剖泄漏预测的机器学习 (ML) 模型显示透明度较低,队列较小,而不是物流回归 (LR). 目前的ML模型需要进一步开发以确保安全的临床实施.
科学领域:
- 手术成果研究
- 医疗信息学
- 预测分析
背景情况:
- 结肠直肠切除具有显著的解剖性泄漏风险 (2.8% - 30%).
- 机器学习 (ML) 提供风险估计的潜力,但由于透明度问题而面临临临床实施障碍.
- 后勤回归是一种传统的风险预测统计方法.
研究的目的:
- 系统地审查和比较ML模型与LR模型的性能和透明度,以预测结肠直肠流.
- 评估基于ML的预测工具的临床实施准备情况.
主要方法:
- 按照PRISMA指南进行系统审查.
- 在Medline,Embase,Web of Science和Cochrane数据库中搜索相关研究.
- 使用LR或ML进行评估的研究与外部验证,评估数据提取,偏差风险 (PROBAST) 和透明度 (TRIPOD+AI).
主要成果:
- 这项审查包括了10项研究.
- 与LR模型相比,ML模型在较小的队列中得到验证,结果较少.
- 透明度得分平均为LR的45%,ML的43%,缺乏数据的报告不一致,外部验证有限.
- 由于样本规模较小和事件数量较少,大多数研究都显示出偏差的高风险.
结论:
- 与LR相比,ML研究对解剖漏洞的预测目前受到小队列,低结果数量和透明度的减少的限制.
- 未来的研究必须优先考虑透明度,遵守TRIPOD+AI标准,并使用相同的数据集同时开发LR和ML模型.
- 为结肠和直肠手术建议使用单独的模型. 目前的模型还不适合临床实施;进一步开发至关重要.
