基于临床和影像数据的机器学习在支气管肺发育不良早期诊断中的应用：一项荟萃分析

《Current Medical Imaging》：Clinical and Imaging Data-based Machine Learning for Early Diagnosis of Bronchopulmonary Dysplasia: A Meta-analysis

　　早产儿支气管肺发育不良（BPD）的机器学习模型诊断效能及影响因素：元分析纳入9项研究（12755例），ML模型敏感性0.81，特异性0.85，AUC0.90，多模态模型及随机森林算法更优，早期数据（第7天）预测优于第28天。需标准化验证及前瞻性研究。

　　

摘要

引言：本荟萃分析旨在评估机器学习（ML）模型在早产儿支气管肺发育不良（BPD）早期预测中的诊断性能，以满足及时进行风险分层的需要。

方法：通过系统检索PubMed、Embase等数据库，共确定了9项符合条件的研究（涉及12,755名婴儿）。数据采用双变量广义线性混合模型进行提取和汇总。研究质量通过QUADAS-2标准进行评估。

结果：ML模型表现出较高的准确性（汇总敏感性：0.81，特异性：0.85，AUC：0.90）。多模态模型和集成算法（如随机森林）优于单一模态方法。使用出生后前7天数据的模型比使用第28天数据的模型表现更优。

讨论：ML能够实现超早期BPD预测，比传统诊断方法提前数周发现病变。数据模态和验证策略的多样性凸显了标准化报告的必要性。

结论：基于ML的BPD预测技术在临床应用方面具有潜力，但仍需进行前瞻性验证和成本效益分析。

关键词： 支气管肺发育不良, 临床和影像数据, 机器学习, 荟萃分析, 验证策略, 极低出生体重（VLBW）, 极低出生体重（ELBW）.