机器学习用于儿童肠套叠诊断与预后的系统评价与荟萃分析

Journal of pediatric surgery · 2026-10-03 · 期刊论文

• 一句话结论：该系统评价与荟萃分析提示，基于超声的机器学习模型在儿童肠套叠诊断中具有较高且外部验证稳健的准确性，腹部X线模型更适合筛查；但无研究报告临床终点数据，故尚不足以下结论认为可替代现有诊疗路径。
• 研究设计与做法：研究设计为PROSPERO注册（CRD420251073590）的系统评价与荟萃分析，纳入评估儿童肠套叠诊断或预后机器学习模型并报告敏感度、特异度或AUC的研究，共11项研究、37个模型变体、36,863例患者；采用PROBAST评估偏倚风险，对内部与外部验证数据集应用双变量随机效应模型，并按输入模态做亚组分析。
• 主要结果：主要结果：内部验证超声模型（k=4）合并敏感度0.914（0.829-0.959）、特异度0.980（0.939-0.994）；外部验证超声模型（k=3）敏感度0.946（0.909-0.969）、特异度0.958（0.918-0.979）；腹部X线分诊模型外部表现较低，敏感度0.800（0.725-0.859）、特异度0.748（0.662-0.819）；AI辅助使初级阅片者特异度总体提高15.9个百分点（最低年资者最高达37.6个百分点），AI辅助初级超声技师使检查时间缩短61%且诊断准确性未下降；检出可能发表偏倚（Deeks' p=0.021）；预后AUC范围0.555-0.962。
• 机制或解释：作者解释为：超声为诊断金标准但依赖操作者经验，且缺乏经过验证的机器学习分诊或预后分层工具；超声模型表现高而外部稳健，腹部X线模型表现与筛查定位一致，AI辅助可提升初级阅片者特异度并缩短检查时间，提示其可作为辅助手段。
• 局限与边界：局限与边界：纳入研究均为回顾性诊断准确性研究，证据等级为Level III；检出可能发表偏倚；无研究报告临床终点数据；作者指出需在亚洲以外开展多中心前瞻性验证并建立监管路径后方可实施；利益冲突信息材料未报告。
• 可否落地：可否落地：对临床而言，基于腹部X线的模型应定位为提升怀疑度的辅助工具，绝不能作为决定患儿是否接受超声的关卡，属「提示」档位；超声模型虽外部验证表现稳健，但在前瞻性多中心验证与监管路径完善前，属「不足以下结论」，不宜直接用于临床决策。

🔗 打开原文

Campos LR, Symeou S, Carpi GC 等

本文摘自《每日前沿研究简报 · 2026-10-06》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。