目的:基于机器学习的不同算法,开展腰椎间盘突出症的预测模型研究已成为目前精准化医学发展的趋势和热点。但目前使用机器学习进行腰椎间盘突出症预后预测模型的报告质量和方法学质量的证据有限。通过全面的文献检索,全面整合分析基于...目的:基于机器学习的不同算法,开展腰椎间盘突出症的预测模型研究已成为目前精准化医学发展的趋势和热点。但目前使用机器学习进行腰椎间盘突出症预后预测模型的报告质量和方法学质量的证据有限。通过全面的文献检索,全面整合分析基于机器学习开发和验证腰椎间盘突出症预后预测模型的既往研究报告质量和偏倚风险,以探索机器学习算法在预测腰椎间盘突出症预后方面的性能。方法:计算机检索中国知网、万方数据库、维普数据库、中国生物医学文献服务系统、PubMed、Web of Science、Embase和The Cochrane Library数据库,搜集关于机器学习用于开发(和/或验证)腰椎间盘突出症预后预测模型的相关研究,检索时限为各数据库建立至2023-12-31。由2名研究者独立筛选文献、提取资料并评估纳入研究的偏倚风险。通过多变量预测模型透明报告(TRIPOD)声明和预测模型偏倚风险评估工具(PROBAST)来评估纳入研究的报告质量和偏倚风险。对于评价的结果使用描述性统计和可视化图表进行分析。结果:①共纳入23项研究,每项研究的TRIPOD遵循度在11%-87%之间,中位遵循度为54%;标题、治疗措施的详细说明、预测因素的盲法、缺失数据的处理方法、危险分层的细节、研究对象纳入的具体流程、模型解释以及模型性能的报告质量大多较差,TRIPOD遵循率在4%-35%之间;②所有纳入的研究中,61%具有高偏倚风险,39%具有不明确的整体偏倚风险;3项研究主要使用曲线下面积、准确度、敏感度及特异性指标评估模型性能;20个模型报道了模型的曲线下面积,范围为0.561-0.999;3个模型报道了模型的准确率,范围为82.07%-89.65%;③在所有纳入的研究中,统计分析领域最常被评估为高偏倚风险,主要是由于有效样本数量较小、根据单变量分析选择预测因素和缺乏研究中模型的校准度、区分度评估所致。结论:结果表明,在腰椎间盘突出症的预后模型开发及验证分析中,机器学习能取得良好的预测能力;常用的算法有回归算法、支持向量机、决策树、随机森林、人工神经网络、朴素贝叶斯等算法,合理的算法结合临床实践可以提高腰椎间盘突出症预后预测的准确性;但基于机器学习的预后预测模型的报告和方法学质量较差,不同模型间的预测性能差异较大,研究模型的普适性和外推性不明确,迫切需要改进此类研究的设计、实施和报告;对于模型开发研究,建模前需全面考虑与疾病预后相关的各类预测因素,建模时严格遵循PROBAST工具的相关标准开展研究,以推动机器学习在腰椎间盘突出症预测模型临床实践中的应用。展开更多
文摘目的:基于机器学习的不同算法,开展腰椎间盘突出症的预测模型研究已成为目前精准化医学发展的趋势和热点。但目前使用机器学习进行腰椎间盘突出症预后预测模型的报告质量和方法学质量的证据有限。通过全面的文献检索,全面整合分析基于机器学习开发和验证腰椎间盘突出症预后预测模型的既往研究报告质量和偏倚风险,以探索机器学习算法在预测腰椎间盘突出症预后方面的性能。方法:计算机检索中国知网、万方数据库、维普数据库、中国生物医学文献服务系统、PubMed、Web of Science、Embase和The Cochrane Library数据库,搜集关于机器学习用于开发(和/或验证)腰椎间盘突出症预后预测模型的相关研究,检索时限为各数据库建立至2023-12-31。由2名研究者独立筛选文献、提取资料并评估纳入研究的偏倚风险。通过多变量预测模型透明报告(TRIPOD)声明和预测模型偏倚风险评估工具(PROBAST)来评估纳入研究的报告质量和偏倚风险。对于评价的结果使用描述性统计和可视化图表进行分析。结果:①共纳入23项研究,每项研究的TRIPOD遵循度在11%-87%之间,中位遵循度为54%;标题、治疗措施的详细说明、预测因素的盲法、缺失数据的处理方法、危险分层的细节、研究对象纳入的具体流程、模型解释以及模型性能的报告质量大多较差,TRIPOD遵循率在4%-35%之间;②所有纳入的研究中,61%具有高偏倚风险,39%具有不明确的整体偏倚风险;3项研究主要使用曲线下面积、准确度、敏感度及特异性指标评估模型性能;20个模型报道了模型的曲线下面积,范围为0.561-0.999;3个模型报道了模型的准确率,范围为82.07%-89.65%;③在所有纳入的研究中,统计分析领域最常被评估为高偏倚风险,主要是由于有效样本数量较小、根据单变量分析选择预测因素和缺乏研究中模型的校准度、区分度评估所致。结论:结果表明,在腰椎间盘突出症的预后模型开发及验证分析中,机器学习能取得良好的预测能力;常用的算法有回归算法、支持向量机、决策树、随机森林、人工神经网络、朴素贝叶斯等算法,合理的算法结合临床实践可以提高腰椎间盘突出症预后预测的准确性;但基于机器学习的预后预测模型的报告和方法学质量较差,不同模型间的预测性能差异较大,研究模型的普适性和外推性不明确,迫切需要改进此类研究的设计、实施和报告;对于模型开发研究,建模前需全面考虑与疾病预后相关的各类预测因素,建模时严格遵循PROBAST工具的相关标准开展研究,以推动机器学习在腰椎间盘突出症预测模型临床实践中的应用。
