机器学习模型用于预测脑内动脉瘤破裂后延迟脑缺血:系统性审查和元分析
Matteo Palermo1, Sonia D'Arrigo2, Alessandro Olivi1
1Department of Neurosurgery, Fondazione Policlinico Universitario A. Gemelli IRCCS, Università Cattolica del Sacro Cuore, Rome, Italy.
概括
机器学习模型,特别是组合方法,显示出预测在下大脑下出血 (SAH) 后延迟大脑缺血 (DCI) 的前景. 临床整合需要进一步验证.
科学领域:
- 神经科学是一个神经科学.
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
背景情况:
- 延迟大脑缺血症 (DCI) 是动脉瘤下arachnoid出血 (SAH) 后死亡和残疾的重要原因.
- 准确识别高风险患者对于有效的神经临床护理至关重要.
- 机器学习 (ML) 模型为个性化DCI风险评估提供了潜力.
研究的目的:
- 系统地审查和综合ML模型的性能,以预测SAH后的DCI.
- 为了比较不同ML算法家族在DCI预测中的有效性.
- 评估用于DCI预测的现有ML模型的质量和局限性.
主要方法:
- 在PubMed和Embase数据库的系统文献搜索.
- 使用QUADAS-2工具对研究质量的定性评估.
- 综合和比较ML模型性能指标 (例如,AUC,灵敏度,特异性) 跨算法类型和数据集.
主要成果:
- 分析了29项涉及1万多名患者和100多个ML模型的研究.
- 集合方法 (随机森林,XGBoost) 显示出最好的区分性能 (中位数AUC为0.80-0.85).
- 后勤回归仍然是常见的和可解释的;深度学习模型显示出可变的性能和过拟合. 整体模型提供了灵敏度和特异性的最佳平衡,尽管外部验证有限.
结论:
- 机器学习模型,特别是组合方法,在SAH后改善DCI预测方面具有显著的前景.
- 进一步的研究是必不可少的,重点是外部验证,模型校准和潜在的临床整合.
