开发和验证一个模型,以实时量化伤害严重程度的实时量化

科学领域:

• 创伤护理和伤害研究研究
• 卫生信息学和预测建模
• 机器学习在医学中的应用

背景情况:

• 量化伤害严重程度对于创伤护理至关重要,但伤害严重程度得分 (ISS) 对于实时使用是不切实际的.
• 需要一种更容易获得和更直接的方法来评估临床环境中的伤害严重程度.
• 像ISS这样的现有指标缺乏动态创伤管理所需的实时适用性.

研究的目的:

• 开发和验证实时伤害严重程度量化的实用模型.
• 利用有限的受伤模式来预测三个直观的结果.
• 创建一个提高创伤护理决策和研究能力的工具.

主要方法:

• 一项涉及37万多名创伤受伤者的队列研究,用于模型开发和验证.
• 使用了一种多任务深度学习模型,对176种潜在的伤害进行训练.
• 外部验证是在I级创伤中心的单独队列上进行的.

主要成果:

• 开发的停留时间,处置,死亡率 (LDM) 伤害指数显示了与ISS可比的歧视性能,用于外部验证.
• 该模型准确地预测了住院时间,医院出院情况和住院患者死亡率.
• 可解释性分析证实,该模型的输入特征与临床直觉一致.

结论:

• "LDM伤害指数"提供了一种实用,实时的方法来量化伤害严重程度.
• 该模型预测停留时间,处置和死亡率的能力为创伤护理提供了宝贵的见解.
• 建议进行进一步的研究,以更大规模评估模型的性能.