トラウマ患者における輸血の必要性の早期予測は,説明可能な機械学習を用いて行われます

科学分野:

• トラウマケアのケア
• 医療情報工学 医療情報工学
• 機械学習のアプリケーション

背景:

• 血行ショックは,トラウマ患者の予防可能な死亡の主な原因です.
• 早期の輸血は生存率を大幅に改善する.
• 輸血を必要とする患者の迅速な特定は極めて重要です.

研究 の 目的:

• トラウマ患者の輸血の必要性を予測するための機械学習モデルを開発および検証.
• 高リスクの患者を早期に特定することで,最初の輸血までの時間を短縮します.
• このタスクのために様々な機械学習アルゴリズムのパフォーマンスを評価する.

主な方法:

• トラウマ品質改善プログラム (TQIP) のデータセット (2019-2022) を使用した遡及研究.
• 成人トラウマ患者も含まれており,輸血データがない患者も含まれておりません.
• 評価されたロジスティック回帰,リッジ回帰,LASSO,ランダムフォレスト,XGBoostモデル.
• ハイパーパラメータチューニングのために80/20の列車テスト分割と5倍クロス検証を使用しました.
• 受信機操作特性曲線 (AUROC) 下の面積を使用した最適化されたモデル.

主要な成果:

• 1,232,956人の患者が含まれており,8.9%が輸血を受けた.
• XGBoostは,0.8452.0の最高AUROCを達成しました.
• バランスのとれた精度を最大化する値で,XGBoostは72.98%の精度,79.27%の感度,72.36%の特異性を持っていた.
• SHapley Additive exPlanations (SHAP) は,ケガ重度スコア,静脈血圧,活性化レベル,脈拍数,および年齢を主要な予測指標として特定しました.

結論:

• XGBoostは,到着時間変数のみを使用して,堅実な予測能力を実証しました.
• SHAP分析は,モデル予測に関する臨床的に有意義な洞察を提供しました.
• XGBoostモデルは,輸血決定のための迅速な臨床意思決定支援ツールとしての可能性を示している.
• 汎用性を確認するために,外部検証が必要である.