用机器学习识别创伤后不良结果的特定年龄风险因素
Heather R Kregel1, Gabrielle E Hatton1, John A Harvin2
1Division of Acute Care Surgery, Department of Surgery, McGovern Medical School at UTHealth, Houston, Texas; Center for Surgical Trials and Evidence-Based Practice, McGovern Medical School at UTHealth, Houston, Texas; Center for Translational Injury, McGovern Medical School at UTHealth, Houston, Texas.
The Journal of surgical research
|February 6, 2024
概括
创伤后不良结果的危险因素因年龄而异. 特定年龄的模型可以通过识别独特的风险因素和改善医院基准评估来改善对老年创伤患者的护理.
科学领域:
- 创伤外科 手术 创伤外科
- 老年医学 老年医学
- 在医疗保健中的数据科学.
背景情况:
- 目前的创伤风险分层模型不是特定于年龄的.
- 这可能导致对老年人进行不理想的护理和不准确的质量基准评估.
- 对于创伤结果的年龄相关风险因素被假设.
研究的目的:
- 评估创伤后不良结果的风险因素是否与年龄有关.
- 为了确定风险因素的相对重要性是否因年龄而异.
主要方法:
- 使用创伤登记数据对严重受伤的成人创伤患者 (2014-2018) 的队列研究.
- 随机森林算法用于预测所有年轻和年长 (≥55岁) 患者队列的不良结果 (死亡或并发症).
- 计算了平均精度下降 (MDA),以评估年龄组之间的变量重要性和显著差异.
主要成果:
- 年龄较大的患者 (25%) 与年轻的患者 (12%) 相比,出现较高的不良结局率 (33%).
- 头部受伤是所有队列中最重要的预测因素;在头部受伤后的整个队列中,年龄是关键因素.
- 风险因素的重要性因年龄而异:年轻人的手术,老年患者的格拉斯哥昏迷表.
结论:
- 监督机器学习揭示了创伤风险因素的特定年龄差异及其与糟糕结果的关联.
- 年龄特定的模型可以加强医院的基准测试,并确定老年创伤患者的质量改善目标.
