A Systematic Review of Machine Learning Models for Predicting Curve Progression in Teenagers With Idiopathic Scoliosis
Systematische Übersicht zu Machine-Learning-Modellen zur Vorhersage der Kurvenprogression bei Jugendlichen mit idiopathischer Skoliose
JOSPT Open · 2024-07 · 2 (3) · 202-224
DOI: 10.2519/josptopen.2024.0718 ↗Auf einen Blick
17 Studien mit 37 ML-Modellen untersuchten die Vorhersage der Kurvenprogression bei 10- bis 17-Jährigen mit idiopathischer Skoliose. Die meisten Modelle zeigten mäßige bis gute Genauigkeit, die Evidenz war jedoch sehr niedrig.
Fragestellung
Welche Genauigkeit haben ML-Modelle aus Daten des ersten klinischen Besuchs zur Vorhersage einer späteren Kurvenprogression bei jugendlicher idiopathischer Skoliose?
Methode
Systematische Übersicht; 5 Datenbanken von Beginn bis 31. März 2023; Einschluss von intern/extern validierten ML-Modellen; Bewertung mit CHARMS, IJMEDI und GRADE.
Ergebnisse
17 Studien mit 37 ML-Modellen und 3701 Teilnehmenden. 34 Modelle zeigten faire bis ausgezeichnete Genauigkeit; die AUC lag in den meisten Kategorien zwischen 0,70 und 0,93. Kritische Mängel betrafen Datenverständnis, -aufbereitung, Validierung und Deployment.
Einschränkungen
Sehr niedrige Evidenz; fehlende externe Validierung bei den meisten Modellen.
Schlussfolgerung der Autor:innen
Die meisten Modelle erreichten mäßige bis gute Genauigkeit, sind aber wegen sehr niedriger Evidenz und fehlender externer Validierung meist nicht klinisch einsetzbar. Die Ergebnisse sollten vorsichtig interpretiert werden.
Kernaussagen
- 17 Studien mit 37 ML-Modellen und 3701 Teilnehmenden
- AUC in den meisten Kategorien 0,70 bis 0,93
- Evidenz sehr niedrig; externe Validierung meist fehlend
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 JOSPT Open, 2024-07. Verfasst von Winnie Wai-Ying Chan und 6 weiteren Autor:innen. Die Arbeit wurde bisher 6-mal zitiert (Crossref) und nennt 52 Literaturangaben.
Abstract (Originalsprache)
OBJECTIVE: To summarize the development and validation of machine learning (ML) models using data from the first clinical visit to predict ensuing curve progression in individuals with adolescent idiopathic scoliosis. DESIGN: Systematic review. LITERATURE SEARCH: Five databases were searched from inception to March 31, 2023. STUDY SELECTION CRITERIA: Studies had to include teenagers (10-17 years) with adolescent idiopathic scoliosis and internally/externally validated ML models for predicting curve progression. DATA SYNTHESIS: We used the Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies (CHARMS) to guide data extraction, the International Journal of Medical Informatics (IJMEDI) checklist for quality assessments, and the Grading of Recommendations Assessment, Development and Evaluation (GRADE) system for evidence certainty. RESULTS: Seventeen studies with 37 ML models (3701 participants) were included. The models predicted risk, threshold progression, Cobb angles, and curve variations. The IJMEDI checklist identified critical shortcomings in data understanding (60%), preparation (82%), validation (95%), and deployment (95%). Thirty-four ML models showed fair to excellent accuracy, with the area under the receiver operating characteristic curve ranging from 0.70 to 0.93 in most categories. CONCLUSION: While most models achieved moderate to good accuracy, the certainty of evidence was very low, rendering most models not clinically deployable and lacking external validation. Therefore, these findings should be interpreted with caution. Future research should address these limitations to improve the clinical applicability and external validity. JOSPT Open 2024;2(3):202-224. Epub 17 April 2024. doi:10.2519/josptopen.2024.0718
Zitieren
APA
Chan, W. W., Fu, S., Zheng, Y., Parent, E. C., Cheung, J. P. Y., Zheng, D. K. Y., & Wong, A. Y. L. (2024). A Systematic Review of Machine Learning Models for Predicting Curve Progression in Teenagers With Idiopathic Scoliosis. JOSPT Open, 2(3), 202-224. https://doi.org/10.2519/josptopen.2024.0718
Vancouver
Chan WW, Fu S, Zheng Y, Parent EC, Cheung JPY, Zheng DKY, et al. A Systematic Review of Machine Learning Models for Predicting Curve Progression in Teenagers With Idiopathic Scoliosis. JOSPT Open. 2024;2(3):202-224. doi:10.2519/josptopen.2024.0718
BibTeX
@article{Chan2024,
author = {Chan, Winnie Wai-Ying and Fu, Siu-Ngor and Zheng, Yong-Ping and Parent, Eric C. and Cheung, Jason P. Y. and Zheng, Daniel K. Y. and Wong, Arnold Y. L.},
title = {A Systematic Review of Machine Learning Models for Predicting Curve Progression in Teenagers With Idiopathic Scoliosis},
journal = {JOSPT Open},
year = {2024},
volume = {2},
number = {3},
pages = {202--224},
doi = {10.2519/josptopen.2024.0718}
}
EUVIMED