目的全面概括机器学习技术预测儿童脓毒性休克的模型表现和预测效果,以便有针对性地提升未来研究的质量和模型的预测能力。方法计算机检索PubMed、Embase、Web of Science、ScienceDirect、CNKI、WanFang Data数据库,检索时限均为建库至...
详细信息
目的全面概括机器学习技术预测儿童脓毒性休克的模型表现和预测效果,以便有针对性地提升未来研究的质量和模型的预测能力。方法计算机检索PubMed、Embase、Web of Science、ScienceDirect、CNKI、WanFang Data数据库,检索时限均为建库至2024年4月1日,搜集有关机器学习预测儿童脓毒性休克的研究。由两名研究者独立筛选文献,提取资料并评价纳入研究的偏倚风险后,对于基本信息、研究数据、研究设计及预测模型等进行系统评价。使用随机效应模型合并模型曲线下面积(AUC)进行Meta分析。根据样本量、机器学习模型、预测变量类型、预测变量个数等进行亚组分析,并且对于纳入文献进行发表偏倚与敏感性分析等。结果最终纳入11项研究,其中包含2项低偏倚风险,7项未知偏倚风险,2项高偏倚风险的研究。纳入研究使用到的数据包括公开与非公开的电子病历数据库,用到的机器学习模型包括逻辑回归、随机森林、支持向量机和XGBoost等,且基于不同数据库构建的预测模型出现了不同的特征变量结果,因此确定预测模型的关键变量还需要在其他数据集上进行进一步的验证。Meta分析显示总AUC为0.812[95%CI(0.763,0.860),P<0.001]。进一步的亚组分析显示,较大的样本量(≥1000例)和预测变量类型可以显著提高模型的预测效果(95%CI无重叠)。漏斗图显示纳入研究存在发表偏倚,当剔除极端AUC值后,总AUC为0.815[95%CI(0.769,0.861),P<0.001],表明极端AUC值不敏感。结论机器学习技术在预测儿童脓毒性休克方面展示出一定的潜力,但现有研究在质量上还有待加强,未来的研究工作应提升研究质量并且通过扩大样本量提高模型的预测效果。
暂无评论