Predicting In-Hospital Cardiac Arrest Using Machine Learning Models: Protocol for a Scoping Review
Notice bibliographique
Résumé
BACKGROUND: In-hospital cardiac arrest (IHCA) remains a public health conundrum with high morbidity and mortality rates. While early identification of high-risk patients could enable preventive interventions and improve survival, evidence on the effectiveness of current prediction methods remains inconclusive. Limited research exists on patients' prearrest pathophysiological status and predictive and prognostic factors of IHCA, highlighting the need for a comprehensive synthesis of predictive methodologies. OBJECTIVE: This scoping review aims to synthesize and critically evaluate the quality and quantity of clinical features and machine learning (ML) models for predicting IHCA. The review will evaluate temporal characteristics, predictive and prognostic values of prearrest clinical features, and model performance metrics. METHODS: This scoping review follows the PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews) guidelines and aims to synthesize studies that used ML algorithms to predict IHCA published between April 2009 and April 2024. We will conduct a comprehensive search using 4 major databases: PubMed, Web of Science, IEEE Xplore, and Embase. The inclusion criteria are peer-reviewed, English-language studies that explore ML applications for predicting IHCA in adult patients (aged ≥18 years). Exclusion criteria include review articles, preprints, non-English-language studies, and studies without specific ML metrics for IHCA prediction. Two independent reviewers will conduct the screening and data extraction using Rayyan for deduplication and ensuring study eligibility. Descriptive statistics will be used to summarize the data, and a narrative synthesis will provide insights into the clinical features used in the models, the performance metrics, and any gaps in the literature. RESULTS: A total of 2479 records were identified between April 2009-April 2024. After removing duplicates and conducting screening, 16 studies have been included in the review. Data extraction and synthesis are ongoing and are expected to be completed by June 2025. The anticipated results from this review will provide a comprehensive overview of the clinical predictors of IHCA used in ML models, including commonly reported clinical features such as vital signs, biomarkers, and comorbidities. We expect to highlight variations in data quality and quantity across studies, which may influence model performance. CONCLUSIONS: This study will contribute to advancing ML applications for IHCA prediction by addressing data challenges and promoting standardization to improve the clinical decision-making process. The results of this review are expected to inform future studies; promote consistency in the reporting of clinical features; and, ultimately, enhance the decision-making process in clinical settings, potentially leading to better outcomes for patients experiencing IHCA. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/69716.
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 | 0,073 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,006 |
| Méta-épidémiologie (sens large) | 0,014 | 0,016 |
| Bibliométrie | 0,015 | 0,014 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,101 | 0,017 |
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 ».