关于机器学习算法在预测慢性疾病风险和结果中的应用综合性元分析的协议

科学领域:

• 医疗信息学 医疗信息学
• 生物统计学 生物统计学
• 计算生物学 计算生物学

背景情况:

• 准确的慢性疾病风险预测对于预防性医疗保健至关重要.
• 机器学习 (ML) 提供了增强风险预测的潜力,但其性能需要广泛评估.
• 目前缺乏对各种慢性疾病,人群和环境中的ML的全面评估.

研究的目的:

• 系统地综合有关ML技术在预测慢性疾病风险和结果方面的性能证据.
• 用关键指标来评估ML模型的性能,例如AUC-ROC,灵敏度和特异性.
• 确定影响慢性疾病预测ML模型性能的因素.

主要方法:

• 在主要的科学数据库 (PubMed,科学网,Scopus等) 进行了系统的文献搜索. ) 的情况.
• 包括使用ML进行慢性疾病风险/结果预测和报告绩效指标的研究.
• 随机效应元分析,子组分析和元回归被用于汇集性能和探索异质性.

主要成果:

• 估计了各种慢性疾病的ML模型的聚合性能指标 (AUC-ROC,灵敏度,特异性,F1得分).
• 亚组分析和元回归揭示了影响ML性能的关键因素,包括算法选择,样本大小和数据特征.
• 综合证据突出了当前ML应用在慢性疾病预测中的能力和局限性.

结论:

• 这一元分析提供了对ML在慢性疾病风险预测中的表现的彻底评估.
• 调查结果指导开发更强大和更普遍的基于ML的医疗保健预测工具.
• 这项研究推动了医学中的预测分析,促进了临床翻译和改善了患者的治疗结果.