时间:特定时间的机器学习评估,以优化超大规模输血
Courtney H Meyer1, Jonathan Nguyen, Andrew ElHabr
1From the Department of Trauma and Surgical Critical Care (C.H.M., J.N., T.S., J.G., J.D.S., J.S., C.D., C.N., R.N.S.), Grady Health System; Department of Surgery (C.H.M., T.S., J.G., J.D.S., J.S., C.D., J.L., C.M.C., R.N.S.), Emory University School of Medicine; Department of Behavioral, Social and Health Sciences (C.H.M., R.N.S.), Rollins School of Public Health, Emory University; Department of Surgery (J.N.), Morehouse School of Medicine; Department of Operations Research (A.E.), Georgia Institute of Technology, Atlanta, Georgia; Department of Biomedical Engineering (N.V.), University of Texas at Austin, Austin, Texas; and Department of Surgery and Emory Critical Care Center (J.L., C.M.C.), Emory University School of Medicine, Atlanta, Georgia.
创伤患者的超大规模输血 (UMT) 决策是复杂的. 机器学习模型使用特定时间的数据,而不仅仅是单位计数,可以预测死亡率和指导复苏,改善患者的治疗结果.
科学领域:
- 创伤的复苏创伤的复苏
- 机器学习在医学中的应用
- 流血性休克管理的管理.
背景情况:
- 超大规模输血 (UMT) 对创伤患者至关重要,但死亡率高.
- 没有确定UMT的输血上限或徒劳点.
- 特定时间的患者数据对UMT决策的影响还未得到充分研究.
研究的目的:
- 用特定时间的机器学习预测接受UMT的创伤患者的死亡率.
- 确定在UMT期间与生存相关的参数.
主要方法:
- 对符合UMT标准的I级创伤患者 (2018-2021) 的回顾性审查 (≥20个红细胞产品/24小时).
- 从血液银行,创伤记录和电子医疗记录中收集的数据.
- 开发了特定时间的决策树模型来预测死亡率.
主要成果:
- 包括180名患者;48小时死亡率为40.5%,整体为52.2%.
- 已故的患者接受的血液制品更多 (中位数为71.5个对比55.5个单位).
- 具体时间模型预测死亡率的准确率为81%;早期预测因素包括血液动力学和损伤严重程度,后来的预测因素包括pH和乳酸盐.
结论:
- 停止UMT的决定取决于综合的患者和特定时间的数据,而不仅仅是单位体积.
- 机器学习有效地模拟UMT生存因素.
- 需要进一步的研究来完善和验证特定时间的决策树模型.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
08:49Author Spotlight: Enhancing Graft Viability Assessment Through Quantitative Metrics and Innovative Reservoir Systems
Published on: August 2, 2024
