机器学习驱动的风险预测模型用于肝切除术后的肝衰竭:叙述性审查
Ioannis Margaris1, Maria Papadoliopoulou2, Periklis G Foukas3
1Eugenideio Hospital, National and Kapodistrian University of Athens, 11528 Athens, Greece.
Medicina (Kaunas, Lithuania)
|February 27, 2026
概括
机器学习 (ML) 模型在预测肝切除术后肝功能衰竭 (PHLF) 中表现有前途,优于传统得分. 需要进一步验证,但ML工具可以帮助早期风险检测和肝脏手术患者的手术计划.
科学领域:
- 人工智能的人工智能
- 机器学习在医学中的应用
- 手术风险分层的分层化
背景情况:
- 肝切除术后肝衰竭 (PHLF) 是主要肝切除术后发病和死亡的重要原因.
- 机器学习 (ML) 为手术患者群体的风险分层提供了先进的工具.
研究的目的:
- 系统地审查和批判性地分析PHLF的ML驱动风险预测模型的文献.
- 评估ML模型在识别患有PHLF风险的患者方面的性能和局限性.
主要方法:
- 在PubMed/MEDLINE,Scopus和Web of Science数据库中进行系统的文献搜索.
- 包括和分析了15项研究,这些研究开发和验证了用于PHLF预测的ML模型.
主要成果:
- ML模型有效地使用外科临床,实验室和成像数据预测PHLF.
- 机器学习算法表现出高准确度 (AUC,灵敏度),经常超过传统的风险得分.
- 限制包括小样本大小,异质性和现有研究缺乏外部验证.
结论:
- 基于ML的工具显示了早期和准确的PHLF风险检测的潜力.
- 将ML与临床判断相结合,可以增强个性化外科规划并优化结果.
- 需要进一步的研究来解决局限性问题,并提高ML在PHLF预测中的临床实用性.
