机器学习预测二年级医学生总结性考试成绩：五届批次观察性研究

Annals of African medicine · 2026-11-03 · 期刊论文

• 一句话结论：基于五届MBBS批次学业数据的多种机器学习模型中，SVM在识别期末考试不及格风险学生时敏感度最高（89%），各模型特异度达100%；该结果为单中心观察性研究提示，尚不足以下结论。
• 研究设计与做法：研究为观察性分析研究，在印度AIIMS Kalyani开展，使用2019–2023年连续五届二年级MBBS学生数据；变量包括人口学信息、出勤记录、内部评估成绩、既往学业表现及微生物学、病理学、药理学总结性考试成绩；采用逻辑回归、决策树、随机森林、SVM、k近邻、朴素贝叶斯、XGBoost与LightGBM建模，以四届数据训练、第五届验证，评价指标为准确率、敏感度、特异度、阳性预测值、阴性预测值及AUC。
• 主要结果：三种科目上模型均表现出较强预测性能；SVM识别期末不及格风险的敏感度最高，为89%；各模型特异度达100%，即预测为通过者均被正确分类；随机森林、XGBoost与LightGBM亦显示较高准确率与AUC值；各指标置信区间与具体AUC数值材料未报告。
• 机制或解释：作者未对预测机制作实质解释，仅指出机器学习预测模型可识别学业表现不良风险学生，并推测将其整合入医学教育系统有助于早期学业支持、减轻学生压力与改善教育结果。
• 局限与边界：局限与边界：单中心、单一院校五届批次，样本量与人群特征受限；验证仅用一届数据，缺乏外部验证；特异度100%可能反映类别不平衡或过拟合；利益冲突材料未报告。
• 可否落地：可否落地：对医学教育管理有提示意义，即预测分析或可辅助早期学业支持；但当前证据档位为C，属提示性，尚不足以下结论或直接用于高风险学生的正式决策，需外部验证与前瞻性评估。

🔗 打开原文

Sengupta M, Mukhopadhyay K, Mazumder S 等

本文摘自《每日前沿研究简报 · 2026-11-07》「AI 医学影像与临床决策」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。