目前的知识和机器学习的可用性跨越创伤科学的频谱

科学领域:

• 创伤科学 创伤科学
• 机器学习应用 机器学习应用
• 临床研究 临床研究

背景情况:

• 技术进步正在增加机器学习 (ML) 在创伤科学中的使用.
• 目前的证据主要涉及回顾性算法开发,用于结果预测.
• 关于ML对可操作结果和临床工作流集成的影响的研究有限.

研究的目的:

• 为研究和患者护理提供机器学习在创伤科学中的证据的概述.
• 让临床医生熟悉创伤中ML不断发展的领域.
• 识别当前和未来的挑战,在应用ML创伤护理.

主要方法:

• 在创伤科学中对机器学习的现有证据的审查.
• 分析着重于追溯算法构建的研究.
• 对研究临床整合和患者护理影响的研究的评估.

主要成果:

• 主要的证据集中在追溯的ML模型上,用于结果预测.
• 很少有研究研究了可操作的结果或工作流集成.
• 在创伤护理中,ML面临着重大的监管,法律和伦理挑战.

结论:

• 机器学习在创伤科学中提供决策支持的潜力,但需要严格的概念验证研究.
• 未来的研究必须评估工作流集成,人机交互和患者的结果.
• 用ML增强的因果推断可以补充创伤研究中的随机试验,需要社区参与挑战.