预测下肢隐性出血负压模型:机器学习方法的初步验证

科学领域:

• 生物医学工程 生物医学工程
• 生理监测 生理监测
• 机器学习在医学中的应用

背景情况:

• 早期发现隐性出血 (OH) 对创伤患者的管理至关重要,以防止生命体征恶化.
• 目前用于OH检测的非侵入性诊断技术往往不足,突出了需要改进方法的需要.
• 使用单个传感器的单变量系统存在局限性;集成多个数据源的多变量方法可能提供增强的预测能力.

研究的目的:

• 评估多变量方法对单变量方法在预测OH中的优越性.
• 使用机器学习模型进行OH预测,比较仅非侵入性测量与非侵入性加侵入性测量的性能.

主要方法:

• 应用机器学习,特别是随机森林和梯度增强组合方法,到模拟出血的下体负压人体模型.
• 利用多变量生理信号来预测OH发作.
• 使用侵入性和非侵入性生理特征进行预测性能比较.

主要成果:

• 与单变量方法相比,多变量方法在预测OH方面表现优越.
• 随机森林分类器在使用侵入性和非侵入性特征时实现了0.81-0.86的回忆率和0.65-0.72的精度.
• 当仅使用非侵入性特征时,性能略有下降,回忆率为0.80-0.85和精度为0.61-0.73,表明效果相似.

结论:

• 多变量整体机器学习方法显示出预测血液动力学不稳定性和开发有效的OH检测解决方案的前景.
• 单独的非侵入性测量提供了与模拟出血模型中的侵入性和非侵入性测量相结合的可比预测性能.