Машинное обучение для выявления бактериемии и менингита у лихорадящих младенцев: систематический обзор

Введение: Точное выявление лихорадящих младенцев с риском инвазивных бактериальных инфекций, то есть бактериемии и менингита, необходимо для снижения заболеваемости и предотвращения ненужных процедур. Роль машинного обучения (ML) в повышении диагностической точности остается предметом изучения.

Цель: Систематически оценить диагностическую эффективность моделей на основе ML для выявления младенцев в возрасте до 90 дней с инвазивными бактериальными инфекциями.

Источники данных: Выполнен комплексный поиск в базах MEDLINE, Scopus, Embase, CINAHL, CENTRAL, ClinicalTrials.gov и World Health Organization International Clinical Trial Registry Platform по декабрь 2024 года.

Отбор исследований: Включали исследования, в которых ML-модели применяли у лихорадящих младенцев в возрасте до 90 дней для выявления инвазивных бактериальных инфекций, сообщали о диагностических показателях и использовали культуры, подтверждающие инфекцию, в качестве референтного стандарта. Из 4756 просмотренных записей критериям включения соответствовали 6 исследований.

Извлечение данных: Два рецензента независимо извлекали характеристики исследований, типы моделей, исходы и показатели точности. Риск систематической ошибки оценивали с помощью модифицированного инструмента Quality Assessment of Diagnostic Accuracy Studies 2. Выраженная методологическая гетерогенность не позволила выполнить метаанализ.

Результаты: Шесть исследований оценивали различные ML-модели, включая логистическую регрессию, случайные леса, нейронные сети, машины опорных векторов и ансамблевые модели. Чувствительность варьировала от 57% до 100%, специфичность — от 30% до 94%, ROC-AUC — от 0,57 до 0,9. Несколько моделей превосходили традиционные инструменты, например PECARN и Step-by-Step, особенно по специфичности, при прогнозировании инвазивных бактериальных инфекций.

Ограничения: К ограничениям относились преобладание ретроспективного сбора данных, недостаточная отчетность о обработке данных и отсутствие внешней валидации.

Выводы: Модели машинного обучения показывают многообещающие результаты в выявлении младенцев с риском инвазивных бактериальных инфекций и повышают специфичность по сравнению с традиционными инструментами. В дальнейших исследованиях необходимо систематически включать и прозрачно описывать анализы интерпретируемости, чтобы поддержать клиническую применимость. До внедрения в практику необходимы более широкая валидация, методологическая стандартизация и осторожная клиническая интеграция.