Protocol for an Integrative Meta‐Analysis of the Application of Machine Learning Algorithms in the Prediction of Chronic Disease Risks and Outcomes
Notice bibliographique
Résumé
Background: Precise risk prediction of chronic diseases is essential for effective preventive care and management. Machine learning (ML) is a promising avenue to enhance chronic disease risk prediction; however, a comprehensive assessment of ML performance across various chronic diseases, populations, and health settings is needed. Methods: This meta-analysis aims to synthesize evidence on the performance of ML techniques for predicting the risks and outcomes of chronic diseases. A literature search was conducted through PubMed, Web of Science, Scopus, Science Direct, Medline, and Embase. Studies applying ML techniques to predict chronic disease risks or outcomes and reporting performance metrics were included. Two reviewers independently screened studies, extracted data, and assessed the risk of bias. Random-effects meta-analysis, subgroup analyses, and meta-regression were performed to estimate pooled performance and explore heterogeneity. Discussion: This meta-analysis provides a comprehensive evaluation of the performance of ML techniques in predicting the risks and consequences of chronic diseases. We reported the pooled estimates of performance metrics, such as the area under the receiver operating characteristic curve (AUC-ROC), sensitivity, specificity, and F1 score, for each chronic disease. Subgroup analyses and meta-regression identified factors that influence the performance of ML models, such as the ML algorithm, sample size, and data type. This meta-analysis synthesized evidence on ML techniques for chronic disease risk prediction, guiding the development of robust and generalizable ML-based tools. By identifying best practices and addressing challenges, this work advances predictive analytics in healthcare, facilitates translation into clinical practice, and ultimately improve patient outcomes. PROSPERO Protocol Registration: CRD42024566680.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,068 | 0,189 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,004 |
| Méta-épidémiologie (sens large) | 0,014 | 0,029 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,104 | 0,012 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».