基于机器学习的模型用于预测结质瘤相关:系统性审查和元分析

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 结质瘤相关 (GAE) 是结质瘤患者常见的和令人衰弱的并发症.
• 在这种人群中预测发作是很困难的,因为复杂的瘤与宿主相互作用.
• 机器学习 (ML) 模型为高维数据提供先进的模式检测功能.

研究的目的:

• 系统地审查和元分析基于ML的模型对GAE的预测性能.
• 评估ML模型在预测GAE中的诊断准确性.

主要方法:

• 根据PRISMA指南,在四个主要数据库中进行了全面的系统审查.
• 包括的研究开发了用于GAE预测的ML模型.
• 计算了AUC,精度,灵敏度,特异性和DOR的聚合估计值.

主要成果:

• 分析了13项涉及3,253名患者的研究.
• 聚合的AUC为0.87 (95%CI:0.83-0.91) 和聚合的准确率为0.82 (95%CI:0.76-0.88).
• 聚合灵敏度为0.77 (95% CI:0.64-0.87),特异性为0.93 (95% CI:0.86-0.96),并且DOR为40.1 (95% CI:17.1-94.0).因此,这些特异性可以被计算为0.93.

结论:

• 基于ML的模型在预测GAE方面表现出强大的诊断性能.
• 临床整合可以帮助风险分层并优化治疗策略.
• 在实时实施之前,解决异质性和缺乏外部验证等局限性至关重要.