机器学习模型预测坦桑尼亚的创伤性脑损伤结果:使用紧急护理延迟作为预测因素

科学领域:

• 紧急医疗 紧急医疗
• 医疗信息学 医疗信息学
• 公共卫生 公共卫生

背景情况:

• 紧急部门的资源限制可能导致医院的延误.
• 这些延迟会对患者的健康结果产生负面影响,特别是对于需要及时护理的创伤患者.
• 预测模型可以优化资源配置,减少延迟,改善创伤结果.

研究的目的:

• 评估创伤性脑损伤 (TBI) 预后的机器学习模型中紧急护理延迟的预测价值.
• 评估是否包括时间到护理变量可以提高TBI结果预测模型的准确性.

主要方法:

• 使用了坦桑尼亚基里曼扎罗基督教医疗中心紧急服务部门的TBI注册表.
• 开发了12个变量,代表紧急护理的延迟.
• 将这些变量集成到八个不同的机器学习预后模型中,用于医院治疗结果.
• 使用接收器操作特征曲线 (AUC) 下面的面积来比较模型性能.

主要成果:

• 包括12个时间到护理变量改善了所有8个预后模型的可预测性.
• 贝叶斯通用线性模型实现了最高AUC的89.5 (95%CI:88.8,90.3).
• 在表现最好的三种模型中,护理延迟变量被确定为关键预测因素.

结论:

• 将紧急护理延迟纳入预后模型显著提高了对TBI结果的预测准确性.
• 这种方法在资源较少的环境中尤其有利,因为护理延迟很常见,死亡率很高.
• 通过这些模型改善预后可以帮助急诊医生进行临床决策,并使创伤患者受益.