SCI晨读：机器学习在预测再入院率中的应用：范围综述分享智慧共同成长摘要背景机器学习 (...|SCI晨读：机器学习在预测再入院率中的应用：范围综述

【SCI晨读：机器学习在预测再入院率中的应用：范围综述分享智慧共同成长摘要背景机器学习 (...|SCI晨读：机器学习在预测再入院率中的应用：范围综述】SCI晨读：
机器学习在预测再入院率中的应用：范围综述

分享智慧
共同成长

摘要背景
机器学习(ML)的进步为预测再入院提供了巨大的机会。本综述综合了有关ML方法及其在美国预测再入院率性能的文献。方法
该综述根据PRISMA-ScR进行。根据预测建模研究系统评价的批判性评估和数据提取(CHARMS)指导进行项目提取。系统检索PUBMED、MEDLINE和EMBASE中2015年1月1日至2019年12月10日的文献。将文献导入COVIDENCE在线软件进行标题/摘要筛选和全文筛选。纳入标准为使用ML技术关注美国患者再入院的观察性研究。排除无英文全文的文献。定性综合的内容包括研究特征、使用的ML算法和模型验证，对评估模型性能进行定量分析。使用R软件分析曲线下面积(AUC)方面的模型性能。使用预后研究质量(QUIPS)工具评估研究的质量。结果
在检索的522篇文献中， 43项研究符合纳入标准。多数研究使用电子健康记录(24,56%) ，其次是基于人群的数据源(15,35%)和行政索赔数据(4,9%) 。最常见的算法是基于树的方法(23,53%)、神经网络(NN)(14,33%)、正则逻辑回归(12,28%)和支持向量机(SVM)(10,23%)）。多数研究(37,85%)都是高质量的。多数研究(28,65%)报告了AUC高于0.70的ML算法。这些研究报告的AUC中存在一系列变异性，中位数为0.68（IQR：0.64-0.76；范围：0.50-0.90）。结论
通常用于预测美国的再入院率的方法包括基于树的方法、NN、正则逻辑回归和SVM的ML算法。需要进一步研究来比较ML算法在医院再入院预测中的性能。
AbstractBackground
Advancesinmachinelearning(ML)providegreatopportunitiesinthepredictionofhospitalreadmission.ThisreviewsynthesizestheliteratureonMLmethodsandtheirperformanceforpredictinghospitalreadmissionintheUS.Methods
ThisreviewwasperformedaccordingtothePreferredReportingItemsforSystematicReviewsandMeta-AnalysisExtensionforScopingReviews(PRISMA-ScR)Statement.TheextractionofitemswasalsoguidedbytheCriticalAppraisalandDataExtractionforSystematicReviewsofPredictionModellingStudies(CHARMS).ElectronicdatabasesPUBMED,MEDLINE,andEMBASEweresystematicallysearchedfromJanuary1,2015,throughDecember10,2019.ThearticleswereimportedintoCOVIDENCEonlinesoftwarefortitle/abstractscreeningandfull-texteligibility.ObservationalstudiesusingMLtechniquesforhospitalreadmissionsamongUSpatientswereeligibleforinclusion.ArticleswithoutafulltextavailableintheEnglishlanguagewereexcluded.Aqualitativesynthesisincludedstudycharacteristics,MLalgorithmsutilized,andmodelvalidation,andquantitativeanalysisassessedmodelperformance.ModelperformancesintermsofAreaUndertheCurve(AUC)wereanalyzedusingRsoftware.QualityinPrognosisStudies(QUIPS)toolwasusedtoassessthequalityofthereviewedstudies.Results
Of522citationsreviewed,43studiesmettheinclusioncriteria.Amajorityofthestudiesusedelectronichealthrecords(24,56%),followedbypopulation-baseddatasources(15,35%)andadministrativeclaimsdata(4,9%).Themostcommonalgorithmsweretree-basedmethods(23,53%),neuralnetwork(NN)(14,33%),regularizedlogisticregression(12,28%),andsupportvectormachine(SVM)(10,23%).Mostofthesestudies(37,85%)wereofhighquality.Amajorityofthesestudies(28,65%)reportedMLalgorithmswithanAUCabove0.70.TherewasarangeofvariabilitywithinAUCreportedbythesestudieswithamedianof0.68(IQR:0.64–0.76;range:0.50–0.90).Conclusions