Ключевые результаты
Систематический обзор и метаанализ продемонстрировали высокую прогностическую эффективность моделей машинного обучения при остром ишемическом инсульте (ОИИ). Объединённый показатель площади под ROC-кривой (AUC) составил 0,87 (95% ДИ: 0,83–0,91), что указывает на сильную предиктивную способность, несмотря на существенную гетерогенность между исследованиями (I² = 99%). Среди алгоритмов наилучшие результаты показали Random Forest (RF) с AUC = 0,85 и Support Vector Machine (SVM) с AUC = 0,82, которые превзошли традиционную логистическую регрессию (AUC = 0,75).
Методология
Исследование было проведено в соответствии с рекомендациями PRISMA и зарегистрировано в PROSPERO (номер регистрации: CRD420251033217). Комплексный поиск литературы выполнялся в базах данных PubMed, Scopus и Web of Science с использованием MeSH-терминов. В метаанализ были включены 14 исследований, из которых 12 соответствовали критериям для статистического анализа.
Для оценки качества включенных исследований использовались инструменты PROBAST и TRIPOD-AI. Анализ данных проводился с применением модели случайных эффектов в программах SPSS-29 и R-Studio-4.2.0. Исследователи также оценивали гетерогенность результатов с помощью статистики I².
Клиническое значение
Результаты демонстрируют значительный потенциал моделей машинного обучения для улучшения прогностической оценки при остром ишемическом инсульте. Выявленное превосходство алгоритмов Random Forest и SVM над традиционной логистической регрессией указывает на целесообразность их внедрения в клиническую практику для более точного прогнозирования исходов.
Важно отметить, что основными источниками гетерогенности между исследованиями являлись дизайн исследования, год публикации и тип используемого алгоритма (p < 0,001). Это подчеркивает необходимость стандартизации методологических подходов в будущих исследованиях для повышения обобщаемости результатов.
Выводы
Несмотря на многообещающие результаты в отношении эффективности моделей машинного обучения при прогнозировании исходов острого ишемического инсульта, существенная гетерогенность и методологические ограничения в проанализированных исследованиях снижают возможность обобщения полученных оценок эффективности.
Необходимы дальнейшие высококачественные исследования с улучшенной стандартизацией методологии и отчетности для подтверждения преимуществ моделей машинного обучения в рутинной клинической практике. Особое внимание следует уделить алгоритмам Random Forest и XGBoost, которые показали наиболее стабильные результаты в анализируемых исследованиях.