臨床データ、ホルモン(検査)データ、画像データに基づく中枢性思春期早発症診断のための機械学習モデルのメタ解析。
アブストラクト
背景:中枢性思春期早発症(CPP)は小児によくみられる内分泌疾患であり、その診断は主にゴナドトロピン放出ホルモン(GnRH)刺激試験に依存しているが、これは高価で時間がかかる。医療における人工知能の普及に伴い、CPPを同定するために臨床データ、ホルモン(検査)データ、画像データに基づく機械学習(ML)モデルを利用した研究もある。しかし、これらの研究結果は、主に多様なML手法に起因して、大きく異なり、直接比較することは困難であった。したがって、CPPに対する臨床的、ホルモン(検査室)的、および画像データベースのMLモデルの診断価値は、依然として不明である。本研究の目的は、既存研究のメタアナリシスを通じて、CPPに対する臨床データ、ホルモン(検査)データ、画像データに基づくMLモデルの診断価値を調査することである。
方法:CPP診断のための臨床データ、ホルモン(検査)データ、画像データに基づくMLモデルについて、データベース作成日から2023年12月までの期間に関連する英文論文を包括的に検索した。CPP診断のための臨床的、ホルモン(検査)的、および画像データに基づくMLモデルの診断価値を評価するために、プール感度、特異度、陽性尤度比(LR+)、陰性尤度比(LR-)、総括的受信者動作特性曲線(SROC)、および曲線下面積(AUC)を算出した。異質性の評価にはI検定を用い、メタ回帰分析により異質性の原因を調べた。出版バイアスはDeeks funnel plot asymmetry testを用いて評価した。
結果:6件の研究が適格基準を満たした。プールされた感度と特異度はそれぞれ0.82(95%信頼区間(CI)0.62-0.93)、0.85(95%CI 0.80-0.90)であった。LR+は6.00、LR-は0.21であり、臨床データ、ホルモン(検査)データ、画像データに基づくMLモデルは、CPPを確認または除外する優れた能力を示した。さらに、SROC曲線は、CPPの診断における臨床、ホルモン(検査)および画像データに基づくMLモデルのAUCが0.90(95%CI 0.87-0.92)であることを示し、CPPの良好な診断価値を示した。
結論:メタアナリシスの結果から、臨床データおよび画像データに基づくMLモデルは、CPPの診断において高い感度、特異度、AUCを有する優れた診断ツールである。研究結果の地理的限界はあるものの、今後の研究努力により、これらの問題を解決し、適用性と信頼性を高め、CPPの鑑別と治療により正確なガイダンスを提供することが期待される。