使用基准数据集开发和验证高风险创伤患者72小时死亡率的两个预测模型:对逻辑回归和神经网络模型的比较研究

科学领域:

• 创伤护理的护理人员.
• 机器学习在医学中的应用
• 临床预测建模临床预测建模

背景情况:

• 现有的创伤评分系统主要使用逻辑回归 (LR).
• 神经网络 (NN),一种机器学习方法,显示了提高预测模型性能的潜力.
• 开发用于高风险创伤患者死亡率预测的先进工具至关重要.

研究的目的:

• 开发和验证逻辑回归 (LR) 和神经网络 (NN) 模型,用于预测高风险创伤患者的72小时死亡率.
• 为了比较LR和NN模型的预测性能.
• 为临床医生提供可访问的临床预测工具 (SPSS计算器).

主要方法:

• 一个单一中心的回顾性研究,使用1级创伤中心的基准数据集.
• 纳入标准:患有多重伤害的18岁以上患者;排除标准:肌肉骨冲击状况,伤害严重性得分<16,缺少数据.
• 开发和验证用于72小时死亡率预测的LR和NN模型.

主要成果:

• 分析包括3075名高风险创伤患者.
• 在保留队列中,LR和NN模型的曲线下的面积 (AUC) 值分别为0.859和0.856.
• 在模型性能中没有观察到统计学上显著的差异 (p = 0.554).

结论:

• 两种LR和NN模型都表现出对预测高风险创伤患者72小时死亡率的良好歧视.
• 开发的模型显示了选工具的前景,并作为SPSS计算器提供.
• 建议在多样化的群体中进行进一步的外部验证;NN模型可能会从更大的事件对变量比率中受益.