机器学习提高了创伤团队激活水平分配在儿科患者的准确性

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 创伤护理系统系统

背景情况:

• 创伤队的激活是紧急医学的关键分类任务.
• 优化这些激活对于患者护理和资源配置至关重要.
• 机器学习为提高预测准确度提供了一个潜在的解决方案.

研究的目的:

• 为了展示机器学习工具的概念验证.
• 预测创伤伤害的儿科患者的创伤团队激活水平.
• 将机器学习模型的性能与急诊室工作人员进行比较.

主要方法:

• 从创伤登记册和电子医疗记录 (2014-2021) 进行回顾性数据收集.
• 人口统计学,伤害机制,并发症和干预措施的分析.
• 对物流回归,随机森林和支持向量机模型与基准真实度量测试.

主要成果:

• 机器学习模型在准确性,AUC和F1分数方面表现优于急救部门 (ED) 的员工.
• 支持矢量机模型实现了80%的准确性,F1得分为0.80.
• 与ED工作人员相比,模型的表现差异较小.

结论:

• 机器学习模型显著提高了创伤团队激活水平的预测.
• 数据驱动的方法可以优化创伤激活,提高患者的安全.
• 这种方法有可能提高医院资源利用效率.