Augmenting decision making in acute care surgery: A systematic review of machine learning–driven risk prediction models
Notice bibliographique
Résumé
BACKGROUND: Acute care surgery (ACS) involves rapid, high-stakes decisions with limited opportunity for preoperative planning. While machine learning (ML) may improve risk prediction and decision making in this setting, its development, validation, and implementation in ACS remain understudied. We therefore evaluated the techniques, predictor features, and outcomes used in ML-driven risk prediction models in ACS and generated recommendations to inform future research and support clinically meaningful implementation. METHODS: A systematic review of ML-driven predictive models in ACS (emergency general surgery, surgical critical care, trauma) was conducted. Models were analyzed by predictor features, outcomes, algorithms, and performance. The best-performing models for the most commonly predicted outcome were identified. RESULTS: Of 52 studies, 57.7% focused on trauma populations. Most models used registry data (76.8%), fewer used electronic health records (28.8%), and only five studies performed external validation after model development. Common algorithms included logistic regression (44.2%), random forest (34.6%), and decision trees (26.9%). Mortality (59.6%), complications (30.8%), and triage/severity (15.4%) were the most frequent outcomes; patient-centered/reported outcomes were absent. Features commonly included demographics, physiologic scores, and vital signs, while imaging and intraoperative data were underused. Natural language processing was used in four studies. Model performance was typically assessed using area under the receiver operating characteristic curve (88.5%), with support vector machines demonstrating the highest performance. Machine learning models generally outperformed conventional risk scores among 11 comparative studies. CONCLUSION: Machine learning-driven predictive models in ACS show promising performance but are constrained by limited methodological rigor, real-world validation, and substantial heterogeneity in features, outcomes, and algorithms, challenging systematic adoption and oversight. A grounded understanding of ACS decision making workflows and their postimplementation impact may ensure clinically relevant, seamless, and safe integration of ML-based risk prediction. LEVEL OF EVIDENCE: Systematic Review Without Meta-analysis; Level IV.
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 | 0,022 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,012 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».