评估机器学习在预测术后神经疼痛方面的有效性:系统性审查和元分析

科学领域:

• 医疗信息学 医疗信息学
• 机器学习应用 机器学习应用
• 疼痛管理 疼痛管理

背景情况:

• 术后神经疼痛 (PHN) 的预测在临床上具有意义.
• 机器学习 (ML) 模型越来越多地用于PHN预测.
• 需要对PHN预测中的ML进行全面评估,以指导未来的模型开发.

研究的目的:

• 综合评估机器学习模型在预测后神经疼痛 (PHN) 的性能.
• 识别基于ML的PHN预测模型中导致异质性的因素.
• 为开发更准确,更可靠的未来PHN预测模型提供指导.

主要方法:

• 在PubMed,科学网,Embase和Cochrane图书馆进行系统的文献搜索,截至2025年5月.
• 根据PRISMA指南进行的14项研究中的41个模型的元分析.
• 使用子组分析,敏感性测试和元回归来探索异质性.

主要成果:

• 机器学习模型显示出出色的PHN预测性能 (灵敏度:0.81,特异性:0.84,AUC:0.90).
• 数据集来源,模型选择和预测器选择是异质性的关键来源.
• 训练组模型的表现优于验证组模型;血清/omics数据没有显著提高表现.

结论:

• 机器学习是PHN预测的一个有前途的工具.
• 现有的模型需要严格的外部验证,标准化报告,并考虑整体方法以提高通用性.
• 解决过度装配和报告问题对于临床实用性至关重要.