在基于机器学习的败血症风险预测中考虑社会人口统计学因素

《Critical Care Medicine》：Consideration of Sociodemographics in Machine Learning-Driven Sepsis Risk Prediction

　　AI与ML在脓毒症预测中的应用研究显示，83%的文献报告了地理数据，67%涉及性别，但仅2%进行了社会人口学分层性能分析，且无研究采用正式公平性评估指标。研究强调社会人口学数据整合和分层评估尚未普及，影响预测工具的公平性。

　　

摘要

目标：

在败血症及相关结果的预测中，机器学习（ML）和人工智能（AI）的应用日益增多。指南要求明确报告研究数据的人口统计信息，并进行分层性能分析，以评估潜在的社会人口统计偏差。我们评估了AI和ML模型在败血症研究中对社会人口统计数据的报告情况以及其他考虑因素，例如是否使用分层分析或所谓的“公平性指标”。

数据来源：

通过PubMed和Google Scholar检索了系统评价和叙述性综述，并从中提取了相关研究。

研究选择：

研究来自2023年1月1日至2024年6月30日期间发表的选定综述文章，内容涉及败血症、风险预测和机器学习；我们提取了预测成人败血症、败血症相关结果或败血症治疗的研究。

数据提取：

数据由两名审稿人使用预定义的表格进行提取，包括研究类型、感兴趣的结局、研究环境、使用的数据集、样本的人口统计信息报告、是否将人口统计信息作为预测因子进行分层、是否按人口统计信息进行分层分析或评估公平性指标，以及是否将缺乏人口统计信息作为研究的局限性进行报告。

数据整合：

在96篇综述文章中，有13篇（14%）符合纳入标准：6篇系统评价和7篇叙述性综述。从这些综述文章中提取的170篇研究中有120篇（71%）被纳入我们的分析。120篇研究中有99篇（83%）报告了数据收集的地理位置；80篇（67%）报告了性别，24篇（20%）报告了种族/民族，4篇（3%）报告了其他人口统计信息。仅有3篇研究按人口统计信息进行了分层分析（2%）；没有研究报告正式的公平性指标。除了缺乏地理异质性（120篇研究中有39篇，33%）外，很少有研究将缺乏人口统计信息作为研究的局限性进行报告。

结论：

纳入人口统计信息并进行分层性能评估是开发公平风险预测工具的重要步骤，但这些做法尚未得到一致采用。