Predviđanje hipertenzije korišćenjem tradicionalnih modela regresije i mašinskog učenja: sistematski pregled i meta-analiza.
PloS one
Sažetak istraživanja
Cilj
Cilj nam je bio da identifikujemo postojeće modele predviđanja rizika od hipertenzije razvijene korišćenjem tradicionalnih pristupa zasnovanih na regresiji ili mašinskog učenja i uporedimo njihove prediktivne performanse.
Metode Sistematski smo pretraživali MEDLINE, EMBASE, Web of Science, Scopus i sivu literaturu za studije koje predviđaju rizik od hipertenzije među opštom odraslom populacijom. Zbirna statistika pojedinačnih studija bila je C-statistika, a meta-analiza nasumičnih efekata je korištena za dobivanje združenih procjena. Prediktivni učinak združenih procjena upoređen je između tradicionalnih modela zasnovanih na regresiji i modela zasnovanih na mašinskom učenju. Potencijalni izvori heterogenosti procijenjeni su korištenjem meta-regresije, a kvalitet studije je procijenjen korištenjem PROBAST kontrolne liste (Alat za procjenu rizika od pristrasnosti modela predviđanja).
Rezultati Od 14.778 članaka, 52 članka su odabrana za sistematski pregled i 32 za metaanalizu. Ukupna skupljena C-statistika bila je 0,75 [0,73-0,77] za tradicionalne modele zasnovane na regresiji i 0,76 [0,72-0,79] za modele zasnovane na mašinskom učenju. Uočena je visoka heterogenost u C-statistici. Starost (p = 0,011) i pol (p = 0,044) učesnika i broj faktora rizika koji se razmatraju u modelu (p = 0,001) identifikovani su kao izvor heterogenosti u tradicionalnim modelima zasnovanim na regresiji.
Zaključak Pokušali smo da pružimo sveobuhvatnu procenu modela predviđanja rizika od hipertenzije. Identificirani su mnogi modeli sa prihvatljivim do dobrim prediktivnim performansama. Samo nekoliko modela je eksterno potvrđeno, a rizik od pristranosti i primjenjivosti je bio problem u mnogim studijama. Ukupna diskriminacija bila je slična između modela izvedenih iz tradicionalne regresione analize i metoda mašinskog učenja. Potrebno je više eksternih studija validacije i uticaja za implementaciju modela predviđanja rizika od hipertenzije u kliničkoj praksi.
Prikaži originalni naslov i sažetak na engleskom
Prediction of hypertension using traditional regression and machine learning models: A systematic review and meta-analysis.
Objective We aimed to identify existing hypertension risk prediction models developed using traditional regression-based or machine learning approaches and compare their predictive performance.
Methods We systematically searched MEDLINE, EMBASE, Web of Science, Scopus, and the grey literature for studies predicting the risk of hypertension among the general adult population. Summary statistics from the individual studies were the C-statistic, and a random-effects meta-analysis was used to obtain pooled estimates. The predictive performance of pooled estimates was compared between traditional regression-based models and machine learning-based models. The potential sources of heterogeneity were assessed using meta-regression, and study quality was assessed using the PROBAST (Prediction model Risk Of Bias ASsessment Tool) checklist.
Results Of 14,778 articles, 52 articles were selected for systematic review and 32 for meta-analysis. The overall pooled C-statistics was 0.75 [0.73-0.77] for the traditional regression-based models and 0.76 [0.72-0.79] for the machine learning-based models. High heterogeneity in C-statistic was observed. The age (p = 0.011), and sex (p = 0.044) of the participants and the number of risk factors considered in the model (p = 0.001) were identified as a source of heterogeneity in traditional regression-based models.
Conclusion We attempted to provide a comprehensive evaluation of hypertension risk prediction models. Many models with acceptable-to-good predictive performance were identified. Only a few models were externally validated, and the risk of bias and applicability was a concern in many studies. Overall discrimination was similar between models derived from traditional regression analysis and machine learning methods. More external validation and impact studies to implement the hypertension risk prediction model in clinical practice are required.
Izvorni podaci
- DOI
- 10.1371/journal.pone.0266334
- PMID
- 35390039
- PMCID
- PMC8989291
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom