机构名称：
¥ 1.0
背景：缺氧是住院健康健康状况下降的重要危险因素和指标。使用机器学习预测未来的低氧事件是一个前瞻性的研究领域，旨在促进时间关键的干预措施，以应对患者健康恶化。目的：这项系统评价旨在总结和比较以前的努力，以相对于他们的方法，预测性能和评估人群来预测医院环境中的低氧事件。方法：使用科学网络，带有Embase和Medline的OVID以及Google Scholar进行了系统的文献搜索。研究了使用机器学习模型研究住院患者缺氧或缺氧血症的研究。 使用偏见评估工具的预测模型风险评估偏见的风险。 结果：筛选后，总共有12篇论文有资格进行分析，从中提取了32个模型。 纳入的研究表明了各种人群，方法论和结果定义。 由于大多数研究的偏见不明或高风险（10/12，83％）而进一步限制了可比性。 总体预测性能从中等到高。 基于分类指标，深度学习模型在同一研究中执行类似于传统的机器学习模型。 仅使用先前的外围氧饱和度作为临床变量的模型比基于多个变量的模型显示出更好的性能，其中大多数研究（2/3，67％）使用长期的短期记忆算法。研究了使用机器学习模型研究住院患者缺氧或缺氧血症的研究。使用偏见评估工具的预测模型风险评估偏见的风险。结果：筛选后，总共有12篇论文有资格进行分析，从中提取了32个模型。纳入的研究表明了各种人群，方法论和结果定义。由于大多数研究的偏见不明或高风险（10/12，83％）而进一步限制了可比性。总体预测性能从中等到高。基于分类指标，深度学习模型在同一研究中执行类似于传统的机器学习模型。仅使用先前的外围氧饱和度作为临床变量的模型比基于多个变量的模型显示出更好的性能，其中大多数研究（2/3，67％）使用长期的短期记忆算法。结论：机器学习模型提供了基于回顾性数据准确预测低氧事件的潜力。研究的异质性和结果的可推广性有限，这突出了需要进一步验证研究以评估其预测性能的必要性。
使用机器学习预测缺氧：系统...
主要关键词
相关文件推荐
