机器学习模型对高血压患者中风风险预测的有效性和比较性能:系统性审查和元分析
Pooya Eini1, Mohammad Rezayee2, Milan Kassulke2
1Cardiovascular Research Center, Rajaie Cardiovascular Institute, Tehran, Iran.
机器学习 (ML) 模型在预测高血压患者中风风险方面表现强,达到高准确度. 需要进一步标准化,但ML显示了改善中风预防策略的希望.
科学领域:
- 心血管医学 心血管医学
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
背景情况:
- 高血压显著增加中风风险,传统模型缺乏预测精度.
- 机器学习 (ML) 通过整合各种患者数据,有可能改善中风风险预测.
研究的目的:
- 系统地评估ML模型在高血压患者中预测中风的性能.
- 综合现有关于ML诊断准确性和区分能力的证据,以预测高风险人群中风的ML.
主要方法:
- 从创立到2025年9月,在5个数据库中进行了全面的文献搜索,遵守PRISMA指南.
- 包括了报告ML模型在高血压队列中的表现的合格研究. 数据使用随机效应模型进行聚合,使用I2统计数据评估异质性.
- 偏差风险和证据质量分别使用PROBAST+AI和GRADE进行评估.
主要成果:
- 分析了包括13,299例中风病例的10项研究,显示ML模型的综合灵敏度为0.88和特异性为0.88.
- 这些模型表现出良好的区分能力,AUC-ROC为0.94 (95%CI:0.91-0.96).
- 观察到很高的异质性,但子组分析表明在不同的研究设计和特征类型中表现一致,没有检测到出版偏差.
结论:
- 机器学习模型在高血压患者中对中风预测表现强.
- 尽管异质性很高,但研究结果支持将ML纳入临床实践,以加强中风预防.
- 建议对ML方法进行标准化,以优化其临床效用.
相关概念视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
08:36The Adjuvant Efficacy of Angong Niuhuang Pill in the Treatment of Viral Encephalitis: A Meta-Analysis of Randomized Controlled Trials
06:19Constructing and Visualizing Models using Mime-based Machine-learning Framework
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:34Meta-Analysis of the Effectiveness and Safety of Shugan Jieyu Capsules for the Treatment of Insomnia


