EUVIMEDEUVIMED entdecken
Systematische ÜbersichtMetaanalyseOpen Access

Early Predictive Accuracy of Machine Learning for Hemorrhagic Transformation in Acute Ischemic Stroke: Systematic Review and Meta-Analysis

Frühe prädiktive Genauigkeit von Machine Learning für die hämorrhagische Transformation bei akutem ischämischem Schlaganfall: systematische Übersicht und Metaanalyse

Benqiao Wang iD, Bohao Jiang iD, Dan Liu iD, Ruixia Zhu iD

Journal of Medical Internet Research · 23.05.2025 · 27 · e71654

DOI: 10.2196/71654 ↗

Auf einen Blick

83 Studien zu Machine-Learning-Modellen für die hämorrhagische Transformation bei akutem ischämischem Schlaganfall wurden ausgewertet. Die Gesamtleistung war nur mäßig.

Fragestellung

Wie genau sagen Machine-Learning-Modelle das Risiko einer hämorrhagischen Transformation bei akutem ischämischem Schlaganfall frühzeitig voraus?

Methode

Systematische Übersicht und Metaanalyse; Suche in Web of Science, Embase, Cochrane und PubMed bis März 2025; Biasbewertung mit PROBAST.

Ergebnisse

83 einschlägige Artikel mit 106 Modellen und 88.197 Patient:innen; 9.323 HT-Fälle. 104 Validierungssätze: c-index 0,832 (95 %-KI 0,814–0,849), Sensitivität 0,82 (95 %-KI 0,79–0,84), Spezifität 0,78 (95 %-KI 0,74–0,81).

Einschränkungen

Keine.

Schlussfolgerung der Autor:innen

Die Vorhersagewerte bisher entwickelter HT-Modelle sind laut Autor:innen nicht zufriedenstellend; Machine-Learning-Ansätze, besonders mit klinischen Merkmalen und Radiomik, erscheinen vielversprechend.

Kernaussagen

  • 83 Studien mit 88.197 Patient:innen und 9.323 HT-Fällen
  • Gesamtleistung: c-index 0,832; Sensitivität 0,82; Spezifität 0,78
  • Kombinierte Modelle schnitten in Subgruppen besser ab

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

Kurz gefasst

Systematische Übersicht in der Zeitschrift Journal of Medical Internet Research, online erschienen am 23.05.2025. Verfasst von Benqiao Wang und 3 weiteren Autor:innen. Beteiligte Einrichtung: Department of Neurology, First Hospital of China Medical University, Shenyang, China. Hauptthemen laut MEDLINE: Machine Learning, Ischemic Stroke. Die Arbeit wurde bisher 15-mal zitiert (Crossref) und nennt 112 Literaturangaben. Der Volltext ist frei in PubMed Central verfügbar.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background

Hemorrhagic transformation (HT) is commonly detected in acute ischemic stroke (AIS) and often leads to poor outcomes. Currently, there is no ideal tool for early prediction of HT risk. Recently, machine learning has gained traction in stroke management, prompting the exploration of predictive models for HT. However, systematic evidence on these models is lacking.

Objective

In this study, we assessed the predictive capability of machine learning models for HT risk in AIS, aiming to inform the development of HT prediction tools.

Methods

We conducted a thorough search of medical databases, such as Web of Science, Embase, Cochrane, and PubMed up until March 2025. The risk of bias was determined through the Prediction Model Risk of Bias Assessment Tool (PROBAST). Subgroup analysis was performed based on treatment backgrounds, diagnostic criteria, and types of HT.

Results

A total of 83 eligible articles were included, containing 106 models and 88,197 patients with AIS with 9323 HT cases. There were 104 validation sets with a total c-index of 0.832 (95% CI 0.814-0.849), sensitivity of 0.82 (95% CI 0.79-0.84), and specificity of 0.78 (95% CI 0.74-0.81). Subgroup analysis indicated that the combined model achieved superior prediction accuracy. Moreover, we also analyzed the predictive performance of 6 mature models.

Conclusions

Currently, although several prediction methods for HT have been developed, their predictive values are not satisfactory. Fortunately, our findings suggest that machine learning methods, particularly those combining clinical features and radiomics, hold promise for improving predictive accuracy. Our meta-analysis may provide evidence-based guidance for the subsequent development of more efficient clinical predictive models for HT. Trial Registration PROSPERO CRD42024498997; https://www.crd.york.ac.uk/PROSPERO/view/CRD42024498997

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Machine LearningIschemic StrokeHumans

Stichwörter der Autor:innen

acute ischemic strokehemorrhagic transformationmachine learningmeta-analysispredictive model

Autor:innen und Institutionen

  • Department of Neurology, First Hospital of China Medical University, Shenyang, China.
  • Department of Urology, First Hospital of China Medical University, Shenyang, China.

ORCID-Profile: Benqiao Wang, Bohao Jiang, Dan Liu, Ruixia Zhu

Zitieren

APA

Wang, B., Jiang, B., Liu, D., & Zhu, R. (2025). Early Predictive Accuracy of Machine Learning for Hemorrhagic Transformation in Acute Ischemic Stroke: Systematic Review and Meta-Analysis. Journal of Medical Internet Research, 27, e71654. https://doi.org/10.2196/71654

Vancouver

Wang B, Jiang B, Liu D, Zhu R. Early Predictive Accuracy of Machine Learning for Hemorrhagic Transformation in Acute Ischemic Stroke: Systematic Review and Meta-Analysis. Journal of Medical Internet Research. 2025;27:e71654. doi:10.2196/71654

BibTeX
@article{Wang2025,
  author = {Wang, Benqiao and Jiang, Bohao and Liu, Dan and Zhu, Ruixia},
  title = {Early Predictive Accuracy of Machine Learning for Hemorrhagic Transformation in Acute Ischemic Stroke: Systematic Review and Meta-Analysis},
  journal = {Journal of Medical Internet Research},
  year = {2025},
  volume = {27},
  pages = {e71654},
  doi = {10.2196/71654}
}
Kostenlos starten →