综述：机器和深度学习模型预测成人ICU患者谵妄的性能：系统评价

这篇综述系统评价了2018-2024年间11项研究，揭示机器学习（ML）和深度学习（DL）模型在ICU谵妄预测中的应用价值。逻辑回归（LR）和随机森林（RF）表现稳健（AUROC 0.83-0.91），而循环神经网络（RNN）等高级模型在时序数据处理中展现潜力。研究指出当前局限包括样本过拟合、缺乏外部验证及回顾性设计，建议未来加强前瞻性验证以提升临床普适性。

　　

Abstract
谵妄是ICU患者常见的急性认知障碍综合征，患病率高达39%，与住院时间延长和死亡率上升显著相关。本综述首次系统评估ML/DL模型在该领域的应用，为临床早期干预提供循证依据。

Methods
基于PRISMA框架，研究者检索6大数据库，采用PROBAST工具评估纳入研究的偏倚风险。最终11项研究符合标准，涵盖140-48,451例样本，模型类型从传统LR到GRU等DL架构。

Results
关键发现包括：

1. 模型性能：LR与RF表现最优（AUROC 0.83-0.91），梯度提升树（XGBoost）在特征重要性分析中突出；
2. 技术突破：RNN类模型（如GRU）可有效解析ICU动态监测数据，但需更大样本验证；
3. 方法学缺陷：75%研究存在过拟合风险，仅18%完成外部验证，缺失数据处理策略不统一。

Discussion
尽管ML模型展现出临床转化潜力，但当前研究存在三大瓶颈：

• 回顾性数据导致的时序偏差
• 预测因子标准化不足（如CAM-ICU评分使用差异）
• 算法可解释性与临床需求的错位

Conclusion
建议未来研究：

1. 开展多中心前瞻性试验验证模型泛化能力；
2. 开发融合生理时序数据与电子病历（EMR）的混合模型；
3. 建立ICU谵妄预测的标准化报告框架（TRIPOD-ML）。值得注意的是，沙特团队的研究提示，结合中东人群特征的本地化模型可能提升预测精度。