Evaluación y análisis de la predicción de resultados clínicos para pacientes con trauma basado en el aprendizaje...

Área de la Ciencia:

• La informática médica es la informática médica.
• Ciencia de datos en el cuidado de la salud.
• Investigación en el cuidado del trauma.

Sus antecedentes:

• La predicción precisa de los resultados clínicos en pacientes con trauma es crucial para un manejo eficaz.
• El desarrollo de modelos predictivos robustos puede apoyar la toma de decisiones clínicas en situaciones de emergencia.

Objetivo del estudio:

• Para comparar el rendimiento predictivo de varios modelos de aprendizaje automático para los resultados clínicos en pacientes con trauma.
• Identificar y clasificar la importancia de los indicadores predictivos para el manejo de pacientes con trauma.
• Proporcionar apoyo en la toma de decisiones para los médicos que manejan pacientes con traumas.

Principales métodos:

• Se utilizaron datos de pacientes con trauma del Hospital Este de Shanghai (2022-2024).
• Empleó la regresión de Lasso para la selección de características, identificando 9 variables predictivas clave.
• Regresión logística evaluada, bosque aleatorio, máquina de vectores de soporte, XGBoost y modelos de redes neuronales utilizando métricas como AUC, precisión, precisión y recuerdo.
• Aplicado SHapley explanations aditivos (SHAP) para el análisis de importancia variable.

Principales resultados:

• XGBoost demostró la mayor sensibilidad y el índice de Youden, mientras que la Regresión Logística logró la mejor precisión.
• El acceso venoso, la puntuación de la Escala abreviada de lesiones (AIS) y la puntuación de gravedad de las lesiones (ISS) se identificaron como los predictores de mayor impacto.
• El análisis SHAP confirmó la relevancia clínica de las variables clave como las puntuaciones de ISS y AIS.
• El rendimiento del modelo varió en todas las métricas, destacando las diferencias en la predicción de resultados positivos y el equilibrio entre precisión y recuerdo.

Conclusiones:

• XGBoost se recomienda como un modelo primario para la predicción de resultados de trauma, pendiente de validación externa.
• El análisis SHAP mejora la transparencia del modelo, ayudando a los médicos a comprender la influencia variable para la toma de decisiones.
• Las variables clave identificadas se alinean con el consenso médico, validando la credibilidad del modelo.
• La investigación futura debe centrarse en la validación del mundo real y la optimización continua del modelo.