评估机器学习在预测术后片并发症方面的准确性:一个元分析

科学领域:

• 医疗信息学医学信息学
• 手术成果研究的研究结果.
• 医疗保健中的人工智能

背景情况:

• 片手术对于重建至关重要,但会带来术后并发症的风险.
• 准确预测片失效对于及时干预和改善患者结果至关重要.
• 机器学习 (ML) 提供了提高外科手术预测准确性的潜力.

研究的目的:

• 系统地审查和元分析ML模型在预测手术后并发症的灵敏度和特异性.
• 评估各种ML算法的整体性能,以识别术后片并发症.
• 识别具有卓越预测能力的特定ML模型.

主要方法:

• 在五个主要数据库 (MEDLINE,PubMed,EMBASE,EMCARE,Google Scholar) 进行了全面的搜索.
• 在选49个记录后,包括了5项研究,分析了7734名患者与10个ML模型.
• 用QUADAS-2工具提取和分析了敏感性,特异性,准确性和并发症率的数据.

主要成果:

• ML模型的综合灵敏度为41.9% (95% CI: 41.0%-42.7%),综合特异性为78.6% (95% CI: 78.2%-79.1%).
• 梯度增强 (GB) 模型表现出最高的特异性 (84.6%).
• 人工神经网络模型表现出最高的灵敏度 (49.8%).

结论:

• ML模型在预测片故障方面显示出有希望的高特异性,特别是GB模型.
• 相对较低的聚合灵敏度表明当前ML模型对早期并发症检测的局限性.
• 需要进一步的研究和模型改进,以提高ML算法对手术并发症的灵敏度.