在心脏病预测中对机器学习进行系统审查

科学领域:

• 心血管研究的心血管研究.
• 医学中的人工智能.
• 医疗信息学 医疗信息学

背景情况:

• 心血管疾病 (CVD) 是全球主要的死亡原因,需要先进的预测工具.
• 机器学习 (ML) 提供了强大的解决方案,但在临床应用中面临着重大障碍.
• 本综述考察了目前用于心脏病预测的ML格局,重点关注性能,数据使用和翻译障碍.

研究的目的:

• 系统地审查机器学习在预测心血管疾病中的应用.
• 评估不同ML算法的性能及其数据利用.
• 确定阻碍ML模型在心脏病学中的临床转化的主要挑战.

主要方法:

• 为了研究2025年之前的研究,按照PRISMA指南进行了系统的文献搜索.
• 选了2500多个记录,其中65项研究被选中进行定性合成.
• 审查的重点是算法性能,数据源和翻译障碍.

主要成果:

• 集体学习模型在结构化数据上表现出色,而深度学习 (DL) 越来越多地用于非结构化数据 (心电图,成像).
• 尽管报告的准确性很高,但由于缺乏外部验证和依赖有限的数据集,仍然存在显著的翻译差距.
• 复杂模型的"黑盒子"性质阻碍了临床信任,推动了对可解释AI的兴趣.

结论:

• 在心脏病学中ML的潜力目前仅限于学术研究.
• 未来的进步取决于向严格的外部验证,大规模的代表性数据集和可解释的AI的转变.
• 有效地融入临床工作流程对于改善患者的治疗结果至关重要.