Fonte: European journal of pediatrics (2026) · PMID: 41912745
Autori: Pérez Blanca Paola, Osorio Octavio Galindo, Arias-Colinas Mónica
Titolo originale: Machine learning to predict hospital admission at triage in paediatric emergency care: A meta-analysis.
Abstract
Non etichettato: I modelli di apprendimento automatico (ML) hanno mostrato risultati promettenti nel miglioramento della previsione degli esiti e della stratificazione precoce del rischio nel triage del reparto di emergenza pediatrica (DE). Questa revisione mira a valutare le prestazioni diagnostiche del ML nella previsione dei ricoveri ospedalieri dai dati raccolti al triage nei reparti di emergenza pediatrica (DE). Le ricerche sono state condotte in PubMed, Ovid, Scopus e Web of Science. Due revisori hanno esaminato 264 abstract dopo la rimozione dei duplicati, escludendo 239 che non soddisfacevano i criteri di inclusione. Dei 25 testi completi valutati, 15 sono stati esclusi per mancata corrispondenza dei risultati, lasciando 10 per l’estrazione dei dati. Successivamente sono stati estratti i dati tra cui le caratteristiche della popolazione, i metodi ML e le metriche diagnostiche: area sotto la curva (AUC), sensibilità e specificità. La maggior parte degli studi ha utilizzato coorti retrospettive da registri elettronici o database nazionali. Le dimensioni dei campioni variavano da 9.069 a oltre 2,9 milioni. Le AUC variavano da 0,78 a 0,97, con modelli più performanti (AUC ≥ 0,94) che utilizzavano algoritmi forestali casuali e variabili come età, frequenza cardiaca, livello di triage. La meta-analisi di sei studi ha mostrato una sensibilità aggregata di 0,78 e una specificità di 0,76 (AUC = 0,84), sebbene l’eterogeneità fosse elevata (I
Conclusione: I modelli ML hanno un potenziale per il triage pediatrico della disfunzione erettile. Metodi standardizzati, IA spiegabile e convalida prospettica sono essenziali per l’uso clinico.
Cosa è noto: • Il triage tradizionale nei reparti di emergenza pediatrica può avere dei limiti nel prevedere con precisione i ricoveri ospedalieri. • I modelli di machine learning sono sempre più applicati per migliorare la stratificazione del rischio in ambito clinico.
**Novità: * * • Questa recensione mostra che i modelli ML possono prevedere i ricoveri pediatrici in PS con AUC elevate (fino a 0,97). • Algoritmi forestali casuali che utilizzano i segni vitali e i dati di triage hanno ottenuto i migliori risultati.
Fabrizio Devito
Commenti