编辑推荐：
本综述聚焦人工智能（AI）算法（含机器学习（ML）、深度学习（DL））预测创伤性脑损伤（TBI）后血肿进展的性能。经多数据库检索，纳入 5 项研究。Meta 分析显示模型有一定准确性，XGBoost 表现最佳（准确率 91%），结合影像组学与临床特征可提升效果，呼吁标准化数据及扩大样本。
背景
预测创伤性脑损伤（traumatic brain injury, TBI）后血肿进展对及时干预和临床管理至关重要，因未控制的血肿生长可导致神经功能快速恶化、颅内压升高及不良预后。准确的风险评估有助于制定主动治疗策略，减少继发性脑损伤并提高生存率。
方法
本研究旨在评估人工智能（artificial intelligence, AI）算法（包括机器学习（machine learning, ML）和深度学习（deep learning, DL））预测血肿进展风险的性能。通过全面检索 Embase、Scopus、Web of Science 和 PubMed 等数据库，筛选相关研究，并提取算法指标数据，如敏感性、特异性和曲线下面积（area under the curve, AUC）。
结果
研究共筛查 1240 项研究，其中 5 项符合纳入标准，对多种 AI 模型进行了评估。Meta 分析显示，合并敏感性为 0.76 [95% CI：0.67–0.83]，特异性为 0.84 [95% CI：0.78–0.89]，阳性似然比为 4.82 [95% CI：3.51–6.61]，阴性似然比为 0.29 [95% CI：0.21–0.39]，诊断评分 2.82 [95% CI：2.33–3.32]，诊断比值比 16.85 [95% CI：10.29–27.59]，AUC 为 0.88 [95% CI：0.85–0.90]。在评估的算法中，XGBoost 预测性能最佳，准确率达 91%。模型中整合影像组学和临床特征显著改善了预测结果。
结论
当前结果表明，基于 AI 的模型在改善 TBI 患者血肿进展预测方面具有潜力，从而支持更有效的临床决策。未来研究应致力于标准化数据集和扩大患者群体多样性，以提高模型的适用性和可靠性。
