トラウマにおける大量輸血のための現場の機械学習予測モデルと,病院内の死亡率との関連性

科学分野:

• 緊急医療 緊急医療
• データサイエンス データサイエンス
• トラウマ・外科・外科

背景:

• 大量輸血 (MT) を必要とする患者の早期発見は,トラウマケアにおいて極めて重要です.
• 既存のスコア付けシステムは,しばしば病院内データに依存しており,病院前有用性を制限しています.
• このギャップを埋めるために,病院前の変数を用いた新しい機械学習アプローチが開発されました.

研究 の 目的:

• 病院前データのみを使用してMTを予測するための機械学習モデルを開発し,外部で検証する.
• トラウマ患者の死亡リスクを,病院前の変数に基づいて階層化する.
• 重傷患者の早期診療決定を改善する.

主な方法:

• モデル開発と検証のために,韓国トラウマデータバンク (2017-2023) のデータを活用した.
• 21の病院前の変数に関する訓練されたアンサンブル機械学習モデル.
• リーバーの動作特性曲線 (AUC) 下の面積と,Shapleyの追加説明 (SHAP) を用いてモデルのパフォーマンスを評価した.

主要な成果:

• アンサンブルモデルは,AUC 0.837 (内部および外部検証) で高い予測性能を達成しました.
• 事故の種類,意識レベル,循環器の補助が重要な予測要因でした.
• 予測された確率の上昇は,病院での死亡率の増加と有意に相関していた.

結論:

• 検証された病院前アンサンブル学習モデルは,MTと関連する死亡リスクを効果的に予測できます.
• このモデルは,病院前トラウマトリアージを改善する可能性を示しています.
• 将来の研究は,汎用性を高めるために,多民族のデータ統合に焦点を当てるべきである.