Health Science Reports 该综述按照PRISMA流程检索PubMed、Web of Science与Scopus（2019年1月1日至2025年3月27日），从1923条记录中纳入58项研究，并以CRISP-DM各阶段（问题理解、数据理解、数据准备、建模、评估、部署）为框架，系统梳理了机器学习用于无创贫血检测与血红蛋白估计的算法、数据来源、采集部位、光源、评价指标与部署方式，同时用PROBAST工具评估偏倚风险与适用性。
该综述按照PRISMA流程检索PubMed、Web of Science与Scopus（2019年1月1日至2025年3月27日），从1923条记录中纳入58项研究，并以CRISP-DM各阶段（问题理解、数据理解、数据准备、建模、评估、部署）为框架，系统梳理了机器学习用于无创贫血检测与血红蛋白估计的算法、数据来源、采集部位、光源、评价指标与部署方式，同时用PROBAST工具评估偏倚风险与适用性。
该综述按照PRISMA流程检索PubMed、Web of Science与Scopus（2019年1月1日至2025年3月27日），从1923条记录中纳入58项研究，并以CRISP-DM各阶段（问题理解、数据理解、数据准备、建模、评估、部署）为框架，系统梳理了机器学习用于无创贫血检测与血红蛋白估计的算法、数据来源、采集部位、光源、评价指标与部署方式，同时用PROBAST工具评估偏倚风险与适用性。
该综述按照PRISMA流程检索PubMed、Web of Science与Scopus（2019年1月1日至2025年3月27日），从1923条记录中纳入58项研究，并以CRISP-DM各阶段（问题理解、数据理解、数据准备、建模、评估、部署）为框架，系统梳理了机器学习用于无创贫血检测与血红蛋白估计的算法、数据来源、采集部位、光源、评价指标与部署方式，同时用PROBAST工具评估偏倚风险与适用性。