Strojové učenie verzus tradičné metódy na predpovedanie postoperačných kardiálnych komplikácií po nekardiálnej chirurgii: systematický prehľad a Bayesovská sieťová meta-analýza

Štúdia porovnávala schopnosť strojového učenia a tradičných metód predpovedať srdcové komplikácie po chirurgických zákrokoch. Analýza zahrnula 13 štúdií s 927 113 pacientmi a 54 predikčnými modelmi. Modely strojového učenia celkovo prekonali tradičné skórovacie systémy, pričom automatizované strojové učenie dosiahlo najvyššie hodnotenie (SUCRA 96,6) s priemerným rozdielom 0,28. Gradient boosting modely tiež preukázali vyššiu výkonnosť s rozdielom 0,20 v porovnaní so štandardným Revised Cardiac Risk Index. Hlavným obmedzením bola absenzia externej validácie modelov strojového učenia a nízka kvalita väčšiny zahrnutých štúdií. Autori konštatujú, že pred klinickým použitím sú potrebné prospektívne multicentrické štúdie.