基于人工智能的预测模型用于识别不良献血者反应：对即时和延迟事件及临床数据方法的系统评价

《BMC Medical Informatics and Decision Making》：Artificial Intelligence-based predictive models for adverse blood donor reactions: a systematic review of immediate and delayed events and clinical data approaches

　　

摘要

背景

献血过程中一个重要的挑战是出现不良献血者反应（ADRs），这些反应会对血液供应和公共卫生产生负面影响。一种有前景的策略是使用非侵入性、成本效益高的人工智能（AI）模型来进行献血者筛查和监测。本研究旨在系统地回顾用于识别和预测不良献血者反应的AI模型。

方法

本研究采用了符合PRISMA 2020指南的系统评价方法。在包括Web of Science、PubMed、Embase、Google Scholar和Scopus在内的多个数据库中进行了搜索。结果通过叙述性方式整合，并使用描述性统计数据进行呈现。符合条件的研究质量通过Newcastle-Ottawa量表（NOS）工具进行了评估。

结果

在13项研究中，有9项被归类为即时反应，4项被归类为延迟反应。常用的模型包括回归模型、经典统计模型以及机器学习算法，如随机森林（Random Forests）、梯度提升机（Gradient Boosting Machines, GBMs）、XGBoost和人工神经网络（Artificial Neural Networks, ANNs）。这些模型的主要标准评估指标包括比值比（Odds Ratio）、精确度-召回率曲线下面积（Precision-Recall Area Under the Curve, PR-AUC）、F1分数（F1 Score）、精确度（Precision）和召回率（Recall）。

结论

献血者的不良反应会负面影响献血者的留存率，进而影响患者护理所需的血液供应稳定性。在这种情况下，AI模型可能为不良献血者反应的预测和监测提供一个有前景的工具。然而，现有的研究不足以支持这些模型在临床或运营决策中的广泛采用。研究设计、结果和评估指标的异质性，以及实施受限、存在偏倚风险、参考标准不明确和缺乏外部验证等限制，都制约了研究结果的可解释性和普遍性。因此，未来需要开展更具严谨性的研究设计、标准化报告、统一评估方法和外部验证，以确立这些模型的有效性和可靠性。