随着临床和生物大数据的极大丰富,机器学习技术通过结合多方面的信息以预测个体的健康结局,在科研及学术论文中应用日益广泛,但关键信息报告的不足也逐渐显现,包括数据偏倚、模型对不同群体的公平性、数据质量和适用性问题,以及在真实临床环境中保持预测准确性和可解释性的难度等,增加了将预测模型安全有效地应用于临床实践的复杂性。针对这些问题,多变量预测模型个体预后或诊断的透明报告(transparent reporting of a multivariable prediction model for individual prognosis or diagnosis,TRIPOD)+人工智能(artificial intelligence,AI)声明在TRIPOD的基础上提出了针对机器学习模型的报告规范,以提升模型的透明性、可重复性和健康公平性,从而改善机器学习模型的应用质量。当前,国内基于机器学习技术的预测模型研究日益增多。为帮助国内读者更好地理解和应用TRIPOD+AI,笔者结合实例对其进行了解读,希望为研究人员报告质量提升提供支持。
目的评估老年人认知功能损伤与全死因死亡率的相关性。方法在PubMed、Web of Science、万方和中国知网中检索自建库至2019年12月期间发表的关于简易精神状态量表(MMSE)评估的认知功能损伤与全死因死亡率关联的研究文献,提取符合纳入标...
详细信息
目的评估老年人认知功能损伤与全死因死亡率的相关性。方法在PubMed、Web of Science、万方和中国知网中检索自建库至2019年12月期间发表的关于简易精神状态量表(MMSE)评估的认知功能损伤与全死因死亡率关联的研究文献,提取符合纳入标准的文献数据并进行Meta分析。采用固定或随机效应模型计算风险比(HR)及其95%置信区间(CI),使用限制性立方样条评估剂量-反应关系。结果共纳入42项队列研究,全死因死亡风险与认知功能损伤之间的关联具有统计学意义(HR=1.64,95%CI=1.51~1.78);对最轻程度的认知损伤进行单独合并以最大程度排除痴呆影响,结果同样具有统计学意义(HR=1.33,95%CI=1.24~1.43)。经MMSE检测的认知功能损伤与全死因死亡风险之间有线性剂量-反应关系(P=0.06)。与正常认知相比,MMSE评分每降低1分,全死因死亡风险增加4%(HR=1.04,P<0.001)。结论经MMSE筛查的认知功能损伤可能是老年人全死因死亡的重要预测指标。
暂无评论