多模式机器学习用于的手术决策支持:当前的证据和翻译差距

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗决策支持系统 医疗决策支持系统

背景情况:

• 手术的目的是改善耐药患者 (DRE) 的治疗结果.
• 机器学习 (ML) 提供了增强手术前决策和预测结果的潜力.
• 在这种情况下,多模式数据集成可能会提高ML模型的准确性.

研究的目的:

• 系统地审查关于手术多式联机决策支持系统的证据.
• 评估ML的方法质量和临床影响,以预测术后结果.
• 通过使用各种数据模式来综合ML模型性能的发现.

主要方法:

• 在PubMed,Scopus和Web of Science中按照PRISMA指南进行系统的文献搜索.
• 包含10项报告基于ML的DRE手术预测结果的研究,使用≥2个数据模式.
• 研究设计,数据源,算法,验证,性能和结果定义的提取和分析.

主要成果:

• 大多数研究 (9/10) 整合了神经成像,脑电图 (8/10) 和临床变量 (7/10).
• 性能各不相同,梯度增强实现了高分辨率 (AUC ≈0.95) 和基于剥离的模型较低 (AUC ≈0.67).
• 多模式ML显示了改善自由预测和识别手术候选人的潜力,尽管有局限性.

结论:

• 多模式ML证明了在DRE手术中预测结果和决策支持的前景.
• 临床翻译受到有限的外部/前景验证,不一致的结果测量和可解释性问题的阻碍.
• 未来的研究应该专注于协调的终点,多中心验证和可解释的AI,以改善临床整合.