开发和验证XGBoost算法驱动的生存模型,用于预测医院内死亡率,该模型基于TQIP数据库中545,388名隔离重创性脑损伤患者的数据

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 创伤外科 手术 创伤外科

背景情况:

• 创伤性脑损伤 (TBI) 是一个重大的全球健康挑战.
• 像GCS和AIS这样的现有分级表在预测TBI结果方面存在局限性.
• 准确预测住院死亡率对于管理严重TBI患者至关重要.

研究的目的:

• 开发和验证一种极端梯度增强 (XGBoost) 预测模型,用于严重TBI患者的住院死亡率.
• 确定该患者队列中死亡率最有影响力的预测因素.
• 为了利用机器学习来改善TBI结果预测.

主要方法:

• 利用来自2013-2021年美国外科医生学院创伤质量改善计划 (TQIP) 数据库的545,388名患者的大数据集.
• 采用XGBoost驱动的Cox回归模型进行预测,并对Cox回归进行预测器选择进行惩罚.
• 使用Harrell的C指数和时间依赖的AUC评估模型性能;SHAP值确定了预测因素的重要性.

主要成果:

• 在XGBoost模型中,在停留时间≤20天的患者 (95.4%的队列) 中,XGBoost模型表现出色 (AUC=0.813).
• 在停留时间 ≤5天的患者中,获得了出色的性能 (AUC=0.917).
• 模型的性能在250天内是可以接受的,但在中间长度的停留 (20-213天) 时下降.

结论:

• XGBoost模型在最初的5天内准确预测严重TBI患者的住院死亡率.
• 受伤严重程度,入院时的格拉斯哥昏迷表 (GCS) 和患者年龄是前20天内的主要预测因素.
• 20天以后,其他因素影响死亡率,这表明干预改善结果的关键窗口.