评估在机器学习模型中遵守TRIPOD+AI指南,以预测怀孕年龄和胎儿生长限制的小:系统审查
Giulia Zamagni1, Camilla Fregona2, Moira Barbieri3
1University of Trieste, Trieste, Italy (Zamagni); Clinical Epidemiology and Public Health Research Unit, Institute for Maternal and Child Health - IRCCS "Burlo Garofolo", Trieste, Italy (Zamagni and Monasta).
American journal of obstetrics & gynecology MFM
|November 30, 2025
概括
机器学习模型对预测胎儿生长限制 (FGR) 和对妊娠年龄 (SGA) 进行小的预测非常有希望. 然而,不一致的定义,小样本规模和糟糕的报告限制了它们的可靠性和临床使用.
科学领域:
- 医疗信息学 医疗信息学
- 围产儿医学 围产儿医学
- 医疗保健中的机器学习
背景情况:
- 胎儿生长限制 (FGR) 和小于妊娠年龄 (SGA) 是围产期健康的关键指标,影响长期结果.
- 准确预测FGR/SGA对于及时干预和改善新生儿护理至关重要.
- 机器学习 (ML) 提供了利用临床数据增强FGR/SGA预测的潜力.
研究的目的:
- 系统地审查用于预测FGR/SGA的机器学习 (ML) 应用程序.
- 评估该领域现有的ML模型的方法严谨性和报告质量.
- 确定基于ML的FGR/SGA预测的局限性和改进领域.
主要方法:
- 按照PRISMA 2020指南在MEDLINE和Scopus中进行系统的文献搜索.
- 包括使用ML进行FGR/SGA预测的研究与临床变量并报告AUROC或准确性.
- 对偏差风险的评估 (PROBAST) 和遵守TRIPOD+AI指南,包括样本大小的充分性.
主要成果:
- 20项研究在272项确定中符合纳入标准;FGR/SGA的定义不一致.
- 变量遵守TRIPOD+AI指南;没有模型报告公平性或异质性;只有15%报告校准.
- 只有30%的研究有足够的样本大小,这表明潜在的过拟合和有限的概括性.
结论:
- 机器学习模型具有FGR/SGA预测的潜力,但面临着重要的局限性.
- 不一致的定义,不足的研究和对校准的报告不足,阻碍了临床翻译.
- 未来的研究需要标准化的定义,强大的样本大小,以及可靠的ML模型的全面报告.
