脊髓炎领域预测模型的探索性分析:系统性审查和元分析

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 越来越多的脑膜炎的诊断和预测模型.
• 模型利用先进的数据分析和机器学习.
• 这些模型的临床有效性和研究适用性尚不清楚.

研究的目的:

• 综合评估现有的骨髓炎建模文献的方法.
• 评估当前脑膜炎模型的质量,偏差和临床适用性.

主要方法:

• 在PubMed,Web of Science和Embase的系统文献搜索.
• 提取了关于研究设计,数据来源,结果,队列大小,预测因素,建模技术和验证的数据.
• 使用PROBAST仪器评估方法质量和偏差风险.

主要成果:

• 包括11项研究:六项诊断,五项预后模型.
• 后勤回归是最常见的建模技术.
• 在六项研究中,ProbAST发现了高偏差风险,在四项研究中不清楚的风险,在一项研究中低风险.
• 聚合的AUC值为0.83,表明强大的区分能力.

结论:

• 骨髓炎模型表现出强烈的歧视,但往往存在高偏差和数据透明度差.
• 只有一个研究具有低偏差风险和可访问的数据.
• 未来的研究必须专注于更大的队列,严格的设计,透明度和临床翻译的外部验证.