EUVIMEDEUVIMED entdecken
ÜbersichtsarbeitSystematische ÜbersichtOpen Access · CC BY-NC 4.0

Advancing Mortality Prediction in Pulmonary Embolism Using Machine Learning Algorithms—Systematic Review and Meta‐Analysis

Pooya Eini iD, Peyman Eini, Homa Serpoush, Mohammad Rezayee, Jason Tremblay

Pulmonary Circulation · 2025-07 · 15 (3)

DOI: 10.1002/pul2.70166 ↗

Auf einen Blick

Die Metaanalyse von 17 Studien zeigt eine hohe Vorhersageleistung von ML-Modellen zur Mortalitätsprognose bei Lungenembolie. Die Gesamtgüte war hoch, bei großer Heterogenität.

Fragestellung

Wie gut sagen Machine-Learning-Modelle die Mortalität bei Patient:innen mit Lungenembolie voraus?

Methode

Systematische Übersicht und Metaanalyse von 17 Studien; Pooling von 12 Studien zur diagnostischen Leistung.

Ergebnisse

17 Studien mit 844.071 Fällen. Sensitivität 0,88 (95 %-KI 0,78–0,94), Spezifität 0,79 (95 %-KI 0,62–0,89), AUROC 0,91 (95 %-KI 0,88–0,93).

Einschränkungen

Hohe Heterogenität, besonders bei der Spezifität; überwiegend retrospektive Studiendesigns; möglicher Publikationsbias für die Spezifität.

Schlussfolgerung der Autor:innen

Die Autor:innen schlussfolgern, dass ML-Modelle traditionelle Risikostratifizierungsinstrumente bei der Mortalitätsvorhersage bei PE übertreffen, die Ergebnisse aber vorsichtig interpretiert werden sollten.

Kernaussagen

  • 17 Studien mit 844.071 Fällen
  • Sensitivität 0,88; Spezifität 0,79; AUROC 0,91
  • Hohe Heterogenität und mögliche Verzerrung schränken die Interpretation ein

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Pulmonary Circulation, online erschienen am 21.09.2025. Verfasst von Pooya Eini und 4 weiteren Autor:innen. Beteiligte Einrichtung: Infectious Disease Research Center Hamadan University of Medical Sciences Hamadan Iran. Die Arbeit wurde bisher 15-mal zitiert (Crossref) und nennt 42 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

This systematic review and meta‐analysis evaluated the performance of machine learning (ML) models in predicting mortality among pulmonary embolism (PE) patients, synthesizing data from 17 studies encompassing 844,071 cases. Logistic Regression was the most commonly used algorithm, followed by advanced models like Random Forests, Support Vector Machines, XGBoost, and Neural Networks. Pooled performance metrics from 12 studies demonstrated a sensitivity of 0.88 (95% CI: 0.78–0.94, I 2 = 90.43%), specificity of 0.79 (95% CI: 0.62–0.89, I 2 = 99.53%), positive likelihood ratio of 4.1 (95% CI: 2.2–7.7), negative likelihood ratio of 0.16 (95% CI: 0.08–0.29), diagnostic odds ratio of 26 (95% CI: 10–71), and an AUROC of 0.91 (95% CI: 0.88–0.93), indicating excellent discriminative ability. Subgroup analyses revealed higher sensitivity in advanced ML models (89.7%) and non‐USA studies (97.2%), with advanced ML showing lower specificity heterogeneity ( I 2 = 0%). Significant heterogeneity was observed, particularly in specificity ( I 2 = 99%), driven by traditional ML and USA‐based studies. Minimal publication bias was noted for sensitivity (Egger's p = 0.942), but specificity showed potential bias (Egger's p = 0.038 after outlier exclusion). These findings suggest that ML models outperform traditional risk stratification tools in predicting PE mortality, offering robust potential for clinical decision‐making, though heterogeneity and retrospective study designs warrant cautious interpretation. Trial Registration: PROSPERO: CRD420251026696

Schlagwörter

Stichwörter der Autor:innen

embolismmachine learningmortalitypulmonary

Autor:innen und Institutionen

  • Infectious Disease Research Center Hamadan University of Medical Sciences Hamadan Iran.
  • Cardiovascular Research Center Rajaie Cardiovascular Institute Tehran Iran.
  • Michigan State University East Lansing Michigan USA.

ORCID-Profile: Pooya Eini

Zitieren

APA

Eini, P., Eini, P., Serpoush, H., Rezayee, M., & Tremblay, J. (2025). Advancing Mortality Prediction in Pulmonary Embolism Using Machine Learning Algorithms—Systematic Review and Meta‐Analysis. Pulmonary Circulation, 15(3). https://doi.org/10.1002/pul2.70166

Vancouver

Eini P, Eini P, Serpoush H, Rezayee M, Tremblay J. Advancing Mortality Prediction in Pulmonary Embolism Using Machine Learning Algorithms—Systematic Review and Meta‐Analysis. Pulmonary Circulation. 2025;15(3). doi:10.1002/pul2.70166

BibTeX
@article{Eini2025,
  author = {Eini, Pooya and Eini, Peyman and Serpoush, Homa and Rezayee, Mohammad and Tremblay, Jason},
  title = {Advancing Mortality Prediction in Pulmonary Embolism Using Machine Learning Algorithms—Systematic Review and Meta‐Analysis},
  journal = {Pulmonary Circulation},
  year = {2025},
  volume = {15},
  number = {3},
  doi = {10.1002/pul2.70166}
}
Kostenlos starten →