早期结直肠癌风险的基于机器学习的预测模型:系统性审查和元分析

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 早期结直肠癌 (EOCRC) 是一个越来越严重的健康问题.
• 准确的风险预测对于及时干预和预防策略至关重要.
• 机器学习 (ML) 为开发先进的预测模型提供了潜力.

研究的目的:

• 系统地审查和元分析EOCRC的ML风险预测模型的性能.
• 确定关键预测因素,并评估现有的EOCRC ML模型的质量和报告标准.
• 以指导ML在EOCRC风险预测中的未来发展和应用.

主要方法:

• 使用ML进行EOCRC风险预测的研究的系统审查和元分析.
• 搜索了多个数据库 (PubMed,Embase,科学网等) 按照PRISMA的指导方针进行.
• 使用PROBAST + AI和TRIPOD + AI标准评估研究质量和报告.

主要成果:

• 包括七项研究,其中XGBoost是最常见的ML方法.
• 聚合分析显示了高差异性表现:AUC为0.84,灵敏度为0.75,特异性为0.87.
• 常见的预测因素包括年龄,性别,BMI,糖尿病和吸烟;整体TRIPOD + AI遵守率为70.5%.

结论:

• 机器学习模型在预测EOCRC风险方面表现出极好的区分能力.
• 这些模型对识别高风险个体进行有针对性的预防和监测充满希望.
• 未来的研究应该优先考虑前性设计和标准化报告,以提高可靠性和临床实用性.