综述:基于机器学习的体外膜肺氧合多结局风险预测模型:叙述性综述

《Advances in Respiratory Medicine》:Extracorporeal Membrane Oxygenation (ECMO) Prediction of Mortality and Integrated Complication with Infection Risk Assessment by Machine Learning: Structured Narrative Review

【字体: 大 中 小 】 时间:2026年09月30日 来源:Advances in Respiratory Medicine 4.5

编辑推荐:

   摘要

  

摘要

背景:体外膜肺氧合(ECMO)是一种针对严重心脏和/或呼吸衰竭患者实施的极为复杂的挽救生命的治疗手段。尽管技术不断进步,ECMO仍是一项死亡率较高且并发症显著的疗法,因此及时准确地预测ECMO的风险至关重要。目的:对当前用于ECMO的基于机器学习(ML)的风险预测模型进行叙述性综述,重点关注多结果预测,即死亡率、并发症和感染。方法:对PubMed、Web of Science、Scopus和IEEE Xplore数据库中2000年至2025年8月的相关文献进行了结构化叙述性综述。纳入标准为采用机器学习或人工智能算法预测ECMO支持患者具有临床意义结果的研究报告。排除未包含传统统计方法的研究、非ECMO患者群体的研究,以及编辑文章、评论或缺乏临床相关预测结果的文献。对标题和摘要进行筛选;对全文进行评估以判断是否符合纳入标准,并使用CHARMS框架整理提取的数据。结果:共纳入25项研究,分为四个领域,即:死亡预测、并发症预测(神经系统、出血、血栓)、ECMO需求及过程管理、以及再入院情况。在所有这些领域中,机器学习模型的表现均持续优于传统风险评分,能够有效捕捉高维相互作用和非线性关系。然而,当前大多数模型针对特定结果设计,且主要使用静态数据或ECMO前数据。值得注意的是,尽管感染对预后、住院时长、抗菌药物使用和医疗成本均产生影响,但未发现任何可能符合纳入标准的、专门用于预测ECMO支持期间继发感染的ECMO特异性机器学习模型。结论:现有证据表明,研究方法正从传统评分方法转向使用机器学习进行预测。然而,仍存在关键不足,如未纳入动态生理数据、未纳入免疫学标志物,以及缺乏多结果预测方法。克服这些局限性对于构建具有临床可操作性的决策支持系统至关重要。基于机器学习的模型在改善ECMO风险分层方面极具前景。应开展其他研究以创建融合死亡率、并发症、感染风险和实时临床数据的多结果预测模型。这些模型可整合到常规ECMO实践中,嵌入电子健康记录或ECMO监测系统中,生成实时更新且可解释的风险预警,以指导早期干预、抗菌药物管理和资源规划。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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