综述：非心脏手术中主要不良心血管事件的预测模型：系统评价与荟萃分析

《BMC Medical Informatics and Decision Making》：Prediction models of major adverse cardiovascular events in non-cardiac surgery: a systematic review and meta-analysis

　　

摘要

背景

已开发了许多用于非心脏手术中主要不良心血管事件（MACEs）的风险预测模型，但它们在临床实践中的质量和适用性仍不清楚。

方法

全面检索了 PubMed、Cochrane 图书馆、Embase 和 Web of Science，以寻找关于非心脏手术围术期 MACEs 的研究，包括心脏死亡、心脏骤停、急性冠状动脉综合征、心肌梗死、心力衰竭、心脏心律失常、心肌损伤和中风。采用预测模型偏倚风险评估工具（PROBAST）评估偏倚风险。基于真/假阳性和阴性数量汇总曲线下面积（AUC）值，并计算汇总效应量。通过 I²统计量判断研究间的异质性。

结果

筛选后，纳入了 93 篇合格论文。50 项研究进行了内部验证，但仅 21 项研究进行了外部验证。总体汇总 AUC 为 0.80（0.76–0.83），不同亚组中汇总 AUC 范围为 0.70（0.66–0.74）至 0.85（0.81–0.87）。新型机器学习（ML）的 AUC 为 0.85（0.81–0.87），传统逻辑回归或 COX 回归的 AUC 为 0.79（0.75–0.82）。总体异质性较高。79 项研究被评为高偏倚风险。Deeks 漏斗图表明无发表偏倚。19 项研究（20.4%）报告了校准值，15 项（16.1%）提供了净重分类改进（NRI）/综合判别改进（IDI），17 项研究（18.3%）进行了决策曲线分析（DCA）。11 项研究（11.8%）发布了用户友好的计算器或应用程序，仅一项研究提供了集成电子医疗记录（EMR）的部署。

结论

本研究强调了已发表的 MACEs 预测模型具有卓越的区分度，其中机器学习优于传统方法和 SHapley 加和解释（SHAP）。然而，高异质性、外部验证稀缺、校准报告有限以及用户友好工具稀少，目前限制了它们的临床适用性。

临床试验编号

不适用。