人工智能在静脉血栓栓塞预测中的应用：系统综述与汇总分析

背景：准确的静脉血栓栓塞（VTE）诊断和预后预测对VTE管理至关重要。人工智能（AI）能够自主识别大型复杂数据中最具预测性的模式。尽管关于其在VTE预测中表现的证据不断涌现，但仍缺乏全面的性能分析。目的：系统评价AI在VTE诊断和预测中的表现，并将其与临床风险评估模型（RAMs）或逻辑回归模型进行比较。方法：使用PubMed、MEDLINE、EMBASE和Web of Science进行系统性文献检索，时间从建库至2021年4月20日。检索词包括“人工智能”和“静脉血栓栓塞”。纳入标准为评估AI在成人VTE预测中的原始研究，并报告以下结局之一：敏感性、特异性、阳性预测值、阴性预测值或受试者工作特征曲线下面积（AUC）。使用PROBAST工具评估偏倚风险。采用非配对t检验比较AI与传统方法（RAMs或逻辑回归模型）的平均AUC。结果：共纳入20项研究。参与者人数从31到111,888不等。基于AI的模型包括人工神经网络（6项研究）、支持向量机（4项研究）、贝叶斯方法（1项研究）、超级学习器集成（1项研究）、遗传编程（1项研究）、未明确的机器学习模型（2项研究）和多种机器学习模型（5项研究）。12项研究（60%）同时具有训练和测试队列。在报告AUC的14项研究（70%）中，AI与传统方法的平均AUC分别为0.79（95% CI：0.74–0.85）和0.61（95% CI：0.54–0.68）（p < .001）。然而，AI方法的良好至优异区分性能在临床实践中不太可能被复制，因为大多数研究由于缺失数据处理和结局确定而存在高偏倚风险。结论：AI的使用似乎比传统风险模型提高了VTE诊断和预后预测的准确性；然而，各研究间存在高偏倚风险。未来的研究应侧重于透明报告、外部验证和这些模型的临床应用。