Kainth, Deepika; Prakash, Satya; Sankar, M. Jeeva
The Pediatric Infectious Disease Journal 43(9):p 889-901, September 2024
La diagnosi tempestiva della sepsi neonatale rappresenta tuttora una sfida. L’obiettivo di questo studio è stato quello di valutare sistematicamente la performance diagnostica delle metodiche machine learning (ML) per la previsione della sepsi neonatale.
Sono stati indagati i database MEDLINE, Embase, Web of Science e Cochrane CENTRAL utilizzando come termini di ricerca “neonato”, “sepsi” e “machine learning”. Sono stati inclusi gli studi che hanno sviluppato o convalidato un algoritmo di apprendimento automatico per prevedere la sepsi neonatale. Tra i 5008 record, sono stati esaminati 74 articoli full-text. Due revisori hanno estratto le informazioni secondo la lista di controllo CHARMS e sono state utilizzate le linee guida PRISMA per valutare accuratezza dei test diagnostici e PROBAST per la valutazione del rischio di bias. L’obiettivo primario era identificare la performance predittiva dei modelli ML in termini di sensibilità, specificità e valori predittivi positivi e negativi. Sono state generate una curva di sintesi gerarchica delle caratteristiche operative dei ricevitori per l'analisi in pool.
Su 19 studi (15.984 partecipanti) con 76 modelli ML, l'algoritmo random forest è stato il più utilizzato. I predittori candidati per modello variavano da 5 a 93; la maggior parte includeva il peso alla nascita e la gestazione. Nessuno ha eseguito una validazione esterna. Il rischio di bias era elevato (18 studi). Per la previsione di qualsiasi sepsi (14 studi), la sensibilità in pool era di 0,87 (intervallo di credibilità al 95%: 0,75-0,94) e la specificità di 0,89 (intervallo di credibilità al 95%: 0,77-0,95). L'area in pool sotto la curva delle caratteristiche operative del ricevitore era 0,94 (intervallo di credibilità al 95%: 0,92-0,96). Tutti gli studi, tranne uno, hanno utilizzato dati provenienti da Paesi ad alto o medio reddito. Con soglie di probabilità non disponibili, non è stato possibile valutare la performance con sufficiente precisione.
Le tecniche di ML hanno una buona accuratezza diagnostica per la sepsi neonatale. Si evidenzia la necessità di sviluppare modelli specifici per il contesto dei Paesi ad alto carico di lavoro.
