机器学习在预测前十字带损伤中的使用:系统性审查和元分析

科学领域:

• 运动医学 运动医学
• 生物机械分析 生物机械分析
• 在医疗保健中的数据科学.

背景情况:

• 机器学习 (ML) 模型越来越多地用于分析与前十字带 (ACL) 损伤相关的风险因素.
• 评估当前ACL损伤预测模型的实用性和识别挑战对于推动体育医学研究至关重要.

研究的目的:

• 评估ML模型在预测ACL损伤结果方面的有效性.
• 分析现有的问题,并为ACL损伤预测的未来研究提供见解.

主要方法:

• 在主要数据库 (PubMed,Medline,Embase,Scopus,Web of Science,Cochrane) 进行了系统的文献搜索,截至2024年4月.
• 包含32个预测模型的8项研究被纳入了元分析和评估.

主要成果:

• 分析显示,曲线下的总面积 (AUC) 为0.79,灵敏度为0.57和特异性为0.87.
• 与非集成模型相比,集成算法表现出更高的特异性 (0.96) 和AUC (0.79) (特异性0.79,AUC 0.68).
• 非整体模型比整体方法 (0.40) 提供了更高的灵敏度 (0.65).

结论:

• ML模型有效地识别非受伤病例,但需要加强以检测实际的ACL受伤.
• 算法选择对预测性能产生重大影响,在灵敏度和特异性之间进行权衡.
• 未来的研究应该专注于高质量的生物力学数据,前性设计和标准化方法,以改进ACL损伤预测模型.