使用机器学习预测小儿心脏移植后的一年死亡率:系统性审查和元分析

科学领域:

• 儿科心脏病学和移植医学.
• 生物医学信息学和机器学习应用.
• 卫生服务研究和器官分配.

背景情况:

• 准确预测心脏移植后 (HT) 死亡率对于儿科供体选择,术后护理和公平的器官分配至关重要.
• 传统的风险模型与儿科HT结果的非线性和动态模式作斗争.
• 机器学习 (ML) 提供了在不同时间段提高预测精度的潜力.

研究的目的:

• 系统地评估基于ML的模型,用于预测儿科HT后的一年死亡率.
• 综合这些ML模型的综合诊断性能.
• 为了确定影响儿科HT存活率的主要风险预测因素的时间变化.

主要方法:

• 在PubMed,Scopus和Embase的系统文献搜索到2024年12月.
• 包括五项研究 (n=33,286) 使用各种ML方法 (例如,集合算法,SHAP驱动模型).
• 随机效应元分析用于绩效聚合,使用既有工具进行偏差评估,并进行时代分层生存分析.

主要成果:

• 聚合ML模型的AUC为0.86,灵敏度为90%,特异性为91%.
• 观察到显著的异质性 (I2=72%-88%),归因于特征选择和验证的变化.
• 时间分析显示,关键预测因子从缺血时间/肺血管抵抗到ECMO/VAD依赖性,捐赠者-接受者不匹配以及社会经济因素的转变.

结论:

• 与传统方法相比,基于ML的模型在预测儿科HT死亡率方面表现优越.
• 这些模型有效地捕捉了不断变化的风险概况,支持它们融入临床实践.
• 通过采用ML风险分层来提高儿科HT决策的准确性和公平性.