使用机器学习的TCCC决策支持预测出血风险,冲击概率

科学领域:

• 军事医学 军事医学
• 医疗技术 医疗技术 医学技术
• 医疗保健中的人工智能

背景情况:

• 由于远程冲突的疏散延迟,战斗人员伤亡需要扩大现场护理.
• 诸如休克,败血症和出血等并发症增加了治疗的复杂性,超过了最初的稳定.
• 现有的系统可能缺乏对这些并发症的实时监测和预测能力.

研究的目的:

• 开发和评估创伤选治疗和培训决策支持 (4TDS) 系统,以实时监测伤亡人员的健康状况.
• 整合机器学习模型来预测冲击,出血和输血需求.
• 评估4TDS系统对医疗人员的可用性和临床相关性.

主要方法:

• 一种混合方法的方法,包括文献审查,快速原型设计和敏捷开发.
• 开发机器学习模型,使用生命体征数据来预测关键并发症.
• 与不同专业水平的军事医生进行的可用性评估.

主要成果:

• 机器学习模型对冲击和出血/大规模输血协议实现了高的验证准确性 (0.83对于冲击).
• 可用性评估显示,参与者可以使用4TDS原型准确评估模拟伤亡.
• 参与者对该系统与战术战斗伤亡护理 (TCCC) 和易用性相匹配表示高度满意.

结论:

• 以参与式设计开发的4TDS系统与用户工作流程和心理模型保持一致.
• 验证结果表明,该系统已经准备好接受FDA的510 (k) 许可,作为II类医疗器械.
• 该系统有望在长时间的现场环境中改善伤亡护理.