论文标题：Applications of Machine Learning Predictive Models in the Chronic Disease Diagnosis（机器学习预测模型在慢性疾病诊断中的应用）

期刊：Journal of Personalized Medicine(JPM)

作者：Gopi Battineni et al.

发表时间：31 March 2020

DOI：10.3390/jpm10020021

微信链接：

https://mp.weixin.qq.com/s?__biz=MzI1MzEzNjgxMQ==&mid=2650059216&idx=5&sn=

21782bfc273d73ac1147c84f3b0eafd5&chksm=f1d90b14c6ae8202dbf82ae996b8947b35

17bf80b1324a6248f5ed6e7a49409e12259782b840&token=558180166&lang=zh_CN#rd

期刊链接：

https://www.mdpi.com/journal/jpm

引言

近年来，人工智能在医学领域的应用方面发展迅速，而机器学习 (Machine Learning, ML) 被认为是人工智能技术的一个子集。在临床实践中，ML预测模型可以突出关于个体患者护理决策的增强规则，也能根据临床规定自主诊断不同疾病。使用ML模型，可以提高医疗数据的质量，减少病人病发率波动，并节省医疗成本。慢性疾病 (Chronic Diseases, CDs) 费用占全球卫生费用的主要部分，该疾病患者需要接受终身治疗。因此，提出一种能帮助慢性病诊断和预测患者未来预后的决策模型是十分必要的。虽然在人工智能领域有许多方法来实现这一目标，但关于ML预测模型用于CDs的研究较少，这值得进一步关注。

意大利卡梅里诺大学医学信息学在读博士Gopi Battineni于2020年在Journal of Personalized Medicine (JPM) 上发表了一篇关于机器学习预测模型应用于慢性疾病诊断方面的综述。文章一经发表便吸引了国内外学者的广泛关注，目前已被引用29次，全文浏览量超过10000次。

研究过程

本综述第一步是搜索策略的制定，通过文献检索方式 (PubMed和CINAHL)，搜索到2015-2019年间慢性疾病相关的已发表文献，共计435篇。第二步是选择标准的制定，PubMed和CINAHL的入选标准为：免费全文、英文、原创论文和研究成果。由于存在重复，我们在整个搜索文档中排除了276个条目。其余177个被筛选以匹配与当前研究主题相关的方法。第三步是数据的提取，本文重点是提出一种精确的CDs诊断模型。因此，本文根据作者信息、抽样模式和方法类型的研究设计以及诊断标准来抽取文章。第四步是质量评定方法的制定，利用著名评估方法纽卡斯尔-渥太华量表 (NOS)，以计算一篇文献是否适合这篇综述。每篇发表文章的质量被评价为弱 (0-4)、中等 (5-6) 或强 (7-9)。每个被选择的研究分数都被记录于单独的excel表格中，以计算一篇论文是否适合这篇综述。最终，有22项研究被选择是符合CDs诊断的预测模型 (如图1)。

图1. 系统评审和荟萃分析 (PRISMA) 图的首选报告项目。

那么，最终这22项研究中关于CDs的ML预测模型具体有哪些局限性和优势呢？Gopi Battineni这篇文章详细展示了每种ML预测模型适用的病理类型、精度、优势、限制以及未来发展情况。支持向量机 (SVM) 和逻辑回归 (LR) 模型在大量研究中被显著地应用于CDs诊断。有16项研究采用了这些模型，尤其是对乙型肝炎、慢性阻塞性肺病、糖尿病和其他疾病的研究。

总结

在实时临床实践中，没有标准方式来确定最佳方法，因为每种方法都有其优点和缺点。在考虑的方法中，支持SVM、LR和聚类分析最常见。这些模型在CDs的分类和诊断上具有较高的适用性，并有望在不久的将来在医疗实践中发挥更重要的作用。

JPM 期刊介绍

主编：David Alan Rizzieri, Novant Health Cancer Institute / Duke Cancer Institute, USA

期刊旨在发表与个性化医疗相关的前沿、创新的临床前和转化科学研究及技术 (如精准医疗、药物基因组学/蛋白质组学、系统生物学、组学关联分析)，将个性化医疗的各个方面整合至一个平台上，为学术和临床研究人员、生物技术、诊断和制药公司、卫生专业人员、监管和伦理专家以及政府和监管当局提供论坛。

2020 Impact Factor:4.945

2020 CiteScore:3.0

Time to First Decision:21 Days

Time to Publication:49.7 Days