在您的指尖上的预后:基于机器学习的Web应用程序,用于预测急性创伤性外周血瘤的结果
Mert Karabacak1, Konstantinos Margetis1
1Department of Neurosurgery, Mount Sinai Health System, New York, New York, USA.
Journal of neurotrauma
|June 1, 2023
概括
机器学习模型准确地预测了急性创伤性外周血液瘤 (atEDH) 患者的结果,这是严重的TBI后果. 一个网络应用程序集成了这些模型,用于临床风险分层和改善患者预后.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 创伤性脑损伤 (TBI) 影响全球数以百万计的人,急性创伤性外周血瘤 (atEDH) 是一个严重的并发症.
- 对atEDH患者的准确预后对于临床决策和资源分配至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测在医院死亡,非家庭出院,长时间停留 (LOS),长期重症监护室LOS (ICU-LOS) 和atEDH患者的重大并发症.
- 将这些ML模型集成到一个用户友好的,开放式访问的临床使用的Web应用程序中.
主要方法:
- 利用美国外科医生学院 (ACS) 创伤质量计划 (TQP) 数据库来识别患有atEDH的患者.
- 应用并比较了四个ML算法:XGBoost,LightGBM,CatBoost和随机森林.
- 将表现最好的模型集成到一个开放式访问的Web应用程序中.
主要成果:
- ML算法表现出高预测性能,接收器操作特征曲线 (AUROC) 下面的区域值为0.874到0.956的住院死亡率.
- 其他结局的AUROC值包括非家庭出院的0.776-0.798,长期LOS的0.737-0.758,长期ICU-LOS的0.712-0.774和重大并发症的0.674-0.733.
- 该研究强调了预测住院死亡的优秀表现和出院和LOS预测的公平表现.
结论:
- ML算法显示出有很大的潜力,有助于在atEDH患者的风险分层.
- 开发的Web应用程序有助于将ML驱动的预后纳入临床实践.
- 这些工具可以改善患者管理和急性创伤性外周血瘤后的结果.
