基于机器学习的术后妄想的预测模型:系统性审查和元分析
Yingying Tu1, Haoyuan Zhu2, Xiaozhen Zhang1
1Department of Nursing, The First Affiliated Hospital of Wenzhou Medical University, WenZhou, ZheJiang, China.
BMC psychiatry
|October 7, 2025
概括
机器学习模型在预测术后痴呆症 (POD) 中表现出强的表现,在各种不同的手术和患者群体中表现出稳定的准确性. 本综述评估了现有的POD风险模型,用于临床指导.
科学领域:
- 医疗信息学 医疗信息学
- 临床预测模型临床预测模型
- 医疗保健中的机器学习
背景情况:
- 术后狂妄症 (POD) 风险预测模型的扩散需要对其质量和临床适用性进行评估.
- 现有模型的性能和通用性仍然不确定,影响临床实践和研究.
- 系统性审查对于评估当前的POD预测模型格局至关重要.
研究的目的:
- 系统地审查和评估有关POD风险预测模型的已发表研究.
- 评估这些模型的诊断准确性,包括灵敏度和特异性.
- 为未来POD预测模型的开发和改进提供基于证据的指导.
主要方法:
- 在主要的科学数据库 (PubMed,Embase,Cochrane Library) 进行了全面的系统搜索,截至2025年2月15日.
- 包括的研究提供了有关POD各种预测模型的敏感性和特异性的基本数据.
- 分析了包括69个机器学习 (ML) 模型的17篇文章,涵盖了205,202名患者.
主要成果:
- ML模型显示POD预测的AUROC总值为0.83 (95%CI,0.79-0.86),灵敏度为0.73和特异性为0.79.
- 随机森林模型获得了最高的AUROC (0.89). 针对骨科手术和年轻患者 (<60岁) 的模型表现出卓越的性能.
- 有外部验证的模型表现优于只有内部验证的模型. 亚洲人口模型表现出比欧洲/美国人更好的表现.
结论:
- 机器学习模型在预测术后妄想方面表现强.
- 模型性能在不同类型的手术和不同人口群体中保持稳定.
- 一贯识别的关键预测因素包括晚年,认知障碍,并发病,贫血和低albuminemia.
