对创伤性出血患者大规模输血的早期预测:多变量机器学习模型的开发
Andrew J Benjamin1,2, Andrew J Young3, John B Holcomb4,5
1From the Division of Traumatology, Surgical Critical Care & Emergency Surgery, Department of Surgery, Perelman School of Medicine at the University of Pennsylvania, Philadelphia, PA.
概括
一个新的机器学习 (ML) 模型快速识别严重出血 (CAT+) 的创伤患者,并预测早期死亡率. 这种ML模型的性能优于ABC分数,改善了大量的输血协议激活.
科学领域:
- 紧急医疗 紧急医疗
- 创伤外科 手术 创伤外科
- 医疗保健中的机器学习
背景情况:
- 创伤患者严重出血是早期死亡的主要原因.
- 60分钟内3个或更多红细胞单位的临界给药值 (CAT) 表示严重出血并预测死亡率.
- 早期识别符合CAT标准的患者对于提高生存率至关重要.
研究的目的:
- 开发和验证一种新的机器学习 (ML) 模型,用于快速识别严重出血 (CAT+) 的创伤患者.
- 与现有的血液消耗评估 (ABC) 评分相比,评估ML模型的预测性能.
- 为了确定模型的预测准确性如何通过顺序添加不同评估级别可用的患者数据来提高.
主要方法:
- 利用了来自前性,观察性,多中心性,重大创伤输血 (PST) 和实用性,随机化最佳血小板和血比率 (PROPPR) 研究的数据.
- 将患者分为CAT+ (严重出血) 和CAT-组.
- 开发了使用逐步方法的ML模型,结合了基于患者评估期间可用性的四个级别的变量.
- 使用交叉验证和持久测试集,将ML模型性能与ABC分数进行比较.
主要成果:
- 这项研究包括1312名创伤患者 (862名CAT+,450名CAT-).
- 一个 CatBoost 梯度增强决策树模型表现出卓越的性能.
- 在预测CAT+患者时,ML模型显著超过了ABC得分,仅使用Tier 1 (医院前/初始评估) 数据,AUC达到0.71 (vs. 0.62).
- 预测准确性随着额外的数据层的增加而增加,在4级数据中达到0.81的AUC.
结论:
- 一个动态的ML模型有效地识别出严重出血的创伤患者 (CAT+),使用到达几分钟内可用的数据.
- 随着越来越多的患者数据变得可访问,该模型的预测性能会提高.
- 这种ML方法提供了一个有希望的策略,以优化创伤护理中大规模输血协议激活的准确性和及时性.
