• 1. 安徽大学计算智能与信号处理教育部重点实验室(合肥 230601);
  • 2. 安徽医科大学第二附属医院重症医学二科,心肺复苏与危重病实验室(合肥 230601);
导出 下载 收藏 扫码 引用

目的 系统评价采用机器学习(machine learning,ML)的心脏骤停(cardiac arrest,CA)早期临床预测模型的预测价值。方法 计算机检索 PubMed、EMbase、WanFang Data 和 CNKI 数据库,搜集关于 ML 用于 CA 预测的研究,检索时限均从 2015 年 1 月至 2021 年 2 月。由 2 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,评价不同模型的诊断准确性和比较受试者工作特征曲线下面积(AUC)。结果 共纳入 38 个研究。在数据来源方面,13 篇研究数据来源于开源数据库,25 篇文章回顾性收集了患者资料,其中直接预测 CA 的文章有 21 篇,预测 CA 相关性心律失常的文章有 3 篇,预测心源性猝死的文章有 9 篇。共有 51 种模型被采用,其中使用频次最高的 ML 算法为人工神经网络(n=11),其次为随机森林(n=9)和支持向量机(n=5)。使用频次最高的输入特征为心电图参数(n=20),其次为年龄(n=12)和心率变异率(n=10)。共有 6 个研究比较了 ML 与其他经典统计学模型的预测价值,且 ML 模型的 AUC 值普遍高于经典统计学模型。结论 现有证据表明,ML 可更准确地预测 CA 的发生,在特定情况下 ML 的预测性能优于传统统计学模型。

引用本文: 吴秋硕, 陆宗庆, 刘瑜, 许耀华, 张金, 肖文艳, 杨旻. 机器学习应用于心脏骤停早期预测模型的系统评价. 中国循证医学杂志, 2021, 21(8): 942-952. doi: 10.7507/1672-2531.202103082 复制

  • 上一篇

    咀嚼口香糖促进妇科患者术后胃肠道功能恢复效果的 Meta 分析
  • 下一篇

    中国长期照护保险购买意愿率的 Meta 分析