Mašinsko učenje za predviđanje sepse: sistematski pregled i meta-analiza tačnosti dijagnostičkog testa.
Intensive care medicine
Sažetak istraživanja
Svrha Rano kliničko prepoznavanje sepse može biti izazovno. Sa napretkom mašinskog učenja, pojavili su se obećavajući modeli u realnom vremenu za predviđanje sepse. Njihov učinak smo procijenili provođenjem sistematskog pregleda i meta-analize.
Metode Sistematska pretraga je izvršena u PubMed-u, Embase.com i Scopusu. Studije usmjerene na sepsu, tešku sepsu ili septički šok u bilo kojem bolničkom okruženju bile su prihvatljive za uključivanje. Indeksni test je bio bilo koji nadzirani model mašinskog učenja za predviđanje ovih uslova u realnom vremenu. Kvalitet dokaza je procijenjen korištenjem metodologije ocjenjivanja, razvoja i evaluacije preporuka (GRADE), sa prilagođenom kontrolnom listom za procjenu kvaliteta studija tačnosti dijagnostike (QUADAS-2) za procjenu rizika od pristrasnosti. Modeli sa prijavljenim područjem ispod krive metrike radne karakteristike prijemnika (AUROC) su meta-analizirani kako bi se identificirali najjači doprinosi performansama modela.
Rezultati Nakon skrininga, ukupno 28 radova je bilo prihvatljivo za sintezu, iz kojih je izdvojeno 130 modela. Najveći broj radova izrađen je u jedinici intenzivne nege (ITN, n = 15; 54%), zatim na bolničkim odeljenjima (n = 7; 25%), urgentnoj službi (ED, n = 4; 14%) i svim ovim ustanovama (n = 2; 7%). Za predviđanje sepse, tačnost dijagnostičkog testa koju je procijenio AUROC kretala se u rasponu od 0,68-0,99 na intenzivnoj nezi, do 0,96-0,98 u bolnici i 0,87 do 0,97 u ED. Različite definicije sepse ograničavaju udruživanje učinka kroz studije. Samo tri rada su klinički implementirala modele s mješovitim rezultatima. U multivarijantnoj analizi, temperatura, laboratorijske vrijednosti i tip modela najviše su doprinijeli performansama modela.
Zaključak Ovaj sistematski pregled i meta-analiza pokazuju da na retrospektivnim podacima pojedinačni modeli mašinskog učenja mogu tačno predvideti početak sepse unapred. Iako predstavljaju alternative tradicionalnim sistemima bodovanja, heterogenost između studija ograničava procjenu objedinjenih rezultata. Potrebne su sistematsko izvještavanje i kliničke studije implementacije kako bi se premostio jaz između bajtova i kreveta.
Prikaži originalni naslov i sažetak na engleskom
Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy.
Purpose Early clinical recognition of sepsis can be challenging. With the advancement of machine learning, promising real-time models to predict sepsis have emerged. We assessed their performance by carrying out a systematic review and meta-analysis.
Methods A systematic search was performed in PubMed, Embase.com and Scopus. Studies targeting sepsis, severe sepsis or septic shock in any hospital setting were eligible for inclusion. The index test was any supervised machine learning model for real-time prediction of these conditions. Quality of evidence was assessed using the Grading of Recommendations Assessment, Development and Evaluation (GRADE) methodology, with a tailored Quality Assessment of Diagnostic Accuracy Studies (QUADAS-2) checklist to evaluate risk of bias. Models with a reported area under the curve of the receiver operating characteristic (AUROC) metric were meta-analyzed to identify strongest contributors to model performance.
Results After screening, a total of 28 papers were eligible for synthesis, from which 130 models were extracted. The majority of papers were developed in the intensive care unit (ICU, n = 15; 54%), followed by hospital wards (n = 7; 25%), the emergency department (ED, n = 4; 14%) and all of these settings (n = 2; 7%). For the prediction of sepsis, diagnostic test accuracy assessed by the AUROC ranged from 0.68-0.99 in the ICU, to 0.96-0.98 in-hospital and 0.87 to 0.97 in the ED. Varying sepsis definitions limit pooling of the performance across studies. Only three papers clinically implemented models with mixed results. In the multivariate analysis, temperature, lab values, and model type contributed most to model performance.
Conclusion This systematic review and meta-analysis show that on retrospective data, individual machine learning models can accurately predict sepsis onset ahead of time. Although they present alternatives to traditional scoring systems, between-study heterogeneity limits the assessment of pooled results. Systematic reporting and clinical implementation studies are needed to bridge the gap between bytes and bedside.
Izvorni podaci
- DOI
- 10.1007/s00134-019-05872-y
- PMID
- 31965266
- PMCID
- PMC7067741
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom