机器学习用于内镜第三腹腔切除术的成功预测-系统性审查和元分析
Anna Łajczak1, Yasmin Picanço Silva2, Paweł Łajczak3
1Department of Biophysics, Faculty of Medical Sciences in Zabrze, Medical University of Silesia in Katowice, Katowice, Poland.
概括
机器学习 (ML) 模型显示,预测儿科水脑的内第三腹腔解剖术 (ETV) 成功的潜力适度. 然而,它们目前的表现并没有超过传统的ETVSS和物流回归模型.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 儿科神经学 儿科神经学
背景情况:
- 预测儿科阻塞性水脑病的内镜第三腹腔切除术 (ETV) 的成功是具有挑战性的.
- 像ETVSS和物流回归 (LR) 这样的传统工具被广泛使用,但有局限性.
- 机器学习 (ML) 提供了提高预测准确性的潜力.
研究的目的:
- 系统地审查和元分析ML模型在预测ETV成功方面的有效性.
- 将ML模型的性能与传统预测工具进行比较.
主要方法:
- 在五个数据库中系统搜索使用ML算法预测ETV成功的研究.
- 包括报告接收器操作特征曲线 (AUC) 下面面积的研究.
- 将ETV成功定义为在6个月内没有失败标准 (复发,重新手术,死亡率).
主要成果:
- 包括4项涉及3087名儿科患者的研究.
- 在ML模型中,聚合的AUC为0.63 (95% CI为0.56-0.70),异质性高 (I2=96%).
- 结合成像数据的模型显示AUC较高 (0.74),但与传统工具相比没有发现显著差异.
结论:
- 机器学习模型显示了预测ETV成功的中等潜力.
- 当前的ML模型在临床实践中没有超过传统的ETVSS和LR模型.
- 由于高异质性和方法上的局限性,需要进一步的研究.
