综述：机器学习在脑部计算机断层扫描（CT）中对心脏骤停后神经学结局预测的诊断价值：一项系统评价和荟萃分析

《Scandinavian Journal of Trauma, Resuscitation and Emergency Medicine》：Prognostic value of machine learning for brain computed tomography as a predictor of neurologic outcomes after cardiac arrest: a systematic review and meta-analysis

心脏骤停后神经结局预测中，机器学习在脑CT灰白质比（GWR）分析中表现最佳，诊断准确率（AUC 0.813）显著高于手动测量（AUC 0.755），与自动GWR相当（AUC 0.832）。该系统综述纳入7项研究1594例患者，通过比较手动、自动和机器学习方法，验证机器学习在预测预后中的优势。

　　

摘要

背景

脑部计算机断层扫描（CT）中的灰质与白质比例（GWR）被用于预测心脏骤停后的神经功能结局。尽管已经将自动方法（如自动GWR和机器学习）与手动GWR进行了比较，但其优越性仍不明确。因此，我们进行了系统评价和荟萃分析，以比较这三种基于CT的方法的诊断准确性。

方法

我们系统地搜索了MEDLINE、EMBASE、Web of Science、Scopus和IEEE Xplore数据库，并纳入了使用脑功能评分量表（Cerebral Performance Category Scale）评估神经功能结局的研究。我们进行了亚组分析，以比较机器学习与手动或自动GWR测量的结果。使用“预测模型偏倚风险评估工具”（Prediction Model Risk of Bias Assessment Tool）来评估偏倚风险和适用性。通过合并诊断比值比（DOR）和合并曲线下面积（AUC）来评估预测不良神经功能结局的诊断准确性。

结果

共有来自7项观察性研究的1594名患者被纳入分析。机器学习的诊断准确性显著高于手动GWR测量（合并AUC为0.813；合并DOR为14.02；95%置信区间[CI]为6.51–30.18；I² = 63.1%）（手动GWR测量的合并AUC为0.755；合并DOR为5.16；95% CI为3.75–7.08；I² = 0%；p = 0.02）。尽管在数值上低于自动GWR测量（合并AUC为0.832；合并DOR为11.92；95% CI为7.55–18.82；I² = 24.3%；p = 0.72），但机器学习在预测不良神经功能结局方面的诊断准确性在统计上相当。

结论

机器学习在脑部CT中可能对预测心脏骤停患者的不良神经功能结局具有重要的诊断价值。在诊断准确性方面，机器学习可能与自动GWR测量相当，甚至可能优于手动GWR测量。