综述:提升儿童和青少年健康素养的护理干预措施:一项范围综述
《Healthcare》:Nursing Interventions to Promote Health Literacy in Children and Adolescents: A Scoping Review
【字体:
大
中
小
】
时间:2026年06月26日
来源:Healthcare 3.4
摘要
背景/目的:人工智能为检测和分类帕金森病患者的症状严重程度提供了一种极具前景的方法。本研究旨在通过遵循PRISMA指南进行的系统评价和元分析,概述用于此类分类的人工智能方法的性能。方法:在2015年至2025年期间,检索了Google Scholar、IEEE Xplore、PubMed/MedLine以及ScienceDirect数据库。纳入的研究均为用英语撰写的原创性、经过同行评审的研究,这些研究探讨了基于机器学习或深度学习的算法在帕金森病患者分类中的应用。所使用的数据集为“帕金森病中的步态数据”,该数据集采用Hoehn and Yahr评分标准来评估疾病症状的严重程度。研究需报告准确性、敏感性、特异性、精确度以及F1分数这五项性能指标中的至少一项。两名评审员独立筛选文章,使用PROBAST工具评估偏倚风险,并提取数据。随后通过随机效应模型,按性能指标和症状严重程度分别对对数变换后的数值进行汇总。为了评估异质性,采用了Cochran’s Q检验、I2统计量以及基于受限最大似然模型的广义逆方差法计算得出的研究间变异系数τ2。结果以包含95%置信区间的森林图形式呈现。通过亚组分析(机器学习与深度学习对比)及敏感性分析,探讨了导致异质性的可能原因。最后,通过Egger检验评估了发表偏倚,同时运用GRADE系统评估了证据的可靠性,以此判断研究结果的普遍适用性。结果:在257条唯一记录中,共有12项研究被纳入分析。这些方法的整体性能非常高(超过92%):准确性为96.4%(95%置信区间:95.9–96.9%),特异性为97.7%(95%置信区间:97.3–98.1%),敏感性为94.0%(95%置信区间:92.7–95.2%),精确度为93.4%(95%置信区间:92.0–94.6%),F1分数为92.1%(95%置信区间:90.6–93.4%)。在所有Hoehn and Yahr评分等级下,准确性、特异性和精确度均表现良好。不过,症状越严重,敏感性越低(H&Y0级为97.3%,而H&Y3级仅为92.1%)。在区分健康患者方面,机器学习模型取得了最佳效果(H&Y0级准确率为95.7%至98.2%),而深度学习方法在区分症状较严重的患者时表现更佳(准确率超过92%)。在精确度和F1分数方面,异质性及研究间变异程度处于中等水平(I2为40–50%,τ2为0.3–0.4);而在准确性、特异性和敏感性方面,异质性及研究间变异程度则较高(I2超过90%,τ2超过0.6)。GRADE分析显示,精确度和F1分数的证据质量较低,而准确性、特异性和敏感性的证据质量极低。结论:因此,基于人工智能的可穿戴步态评估设备在辅助临床决策及实现个性化治疗方面具有巨大潜力。不过,仍需通过更为严谨的方法(如PROBAST)开展进一步研究,以确保研究结果的普遍适用性以及所提出解决方案的临床可行性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号