机器学习模型用于预测破裂内动脉瘤后血管:系统性审查和元分析

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 大脑血管是延迟脑缺血发生在动脉瘤下arachnoid出血 (aSAH) 后的主要原因.
• 目前对血管的监测是反应性的,缺乏个性化.
• 机器学习 (ML) 为预测血管风险提供了一个潜在的解决方案.

研究的目的:

• 系统地审查和元分析ML算法在预测aSAH后血管的性能.
• 评估用于血管预测的不同ML模型的准确性和通用性.

主要方法:

• 按照PRISMA 2020指南进行系统审查和元分析.
• 在PubMed和Embase搜索了使用ML预测血管的研究.
• 使用双变量和比例元分析汇集数据;用PROBAST评估研究质量.

主要成果:

• 12项研究包括25个ML模型;深度学习显示最高的灵敏度 (97.6%) 和AUC-ROC (0.97).
• 支持向量机 (SVM) 模型具有最高的负预测值 (NPV),而组合和回归方法具有优越的正预测值 (PPV).
• 深度学习表现出一致的准确性和概括性,尽管PPV变化率较高;偏差风险低至中等.

结论:

• 机器学习模型,特别是深度学习和组合方法,显示出在aSAH后准确预测血管的巨大潜力.
• 这些预测工具可以促进更早,个性化的患者干预.
• 临床采用目前受到方法异质性,外部验证不足以及缺乏前性试验的限制.