使用机器学习来预测患有突发性创伤性大动脉损伤的患者的结果
Eileen Lu1, Joseph Dubose, Mythreye Venkatesan
1From the Division of Vascular Surgery (E.L., A.A., E.L.C.), Cedars-Sinai Medical Center, Los Angeles, California; Department of Surgery (J.D.), University of Texas at Austin Dell Medical School, Austin, Texas; Department of Computational Biomedicine (M.V., Z.P.W.), Cedars-Sinai Medical Center, West Hollywood, California; Division of Vascular Surgery, Department of Surgery (B.W.S.), University of Washington, Seattle, Washington; and Department of Cardiothoracic and Vascular Surgery (N.U.S., C.C.M.), University of Texas Health Science Center, Houston, Texas.
The journal of trauma and acute care surgery
|March 29, 2024
概括
机器学习模型可以预测胸大动脉损伤 (BTAI) 患者的死亡率. STREAMLINE模型确定了独特的风险因素,为BTAI管理提供了超越传统物流回归的新见解.
科学领域:
- 心血管外科心血管外科
- 医疗信息学 医疗信息学
- 创伤外科 手术 创伤外科
背景情况:
- 对于粗胸前大动脉损伤 (BTAI) 的最佳管理是有争议的,治疗方法从医疗管理到胸内血管大动脉修复 (TEVAR) 都有所不同.
- 在BTAI患者的死亡风险分层对于指导治疗决策至关重要.
研究的目的:
- 开发和比较一个机器学习 (ML) 预后模型与传统的逻辑回归 (LR) 来预测BTAI患者的死亡率.
- 用ML识别与BTAI中死亡率相关的关键风险因素.
主要方法:
- 利用大动脉创伤基金会的注册表,包括702名BTAI患者的人口统计,损伤特征,管理和结果.
- 开发并比较了一个STREAMLINE ML模型和一个逻辑回归 (LR) 模型,用于预测住院死亡率.
主要成果:
- 两种STREAMLINE和LR模型都在预测住院死亡率方面表现出高准确性 (AUC分别为0.869和0.840).
- STREAMLINE模型优先考虑伤害位置,年龄和伤害等级,与LR不同,该模型确定了与现有文献一致的因素.
- 医疗管理患者的死亡率为17%,TEVAR患者为8.8%.
结论:
- 机器学习模型可以识别通常不会通过标准多变量逻辑回归突出显示的预后变量.
- 需要进一步验证ML模型在不同的大动脉损伤队列中的有效性,以确定它们在BTAI管理中的临床实用性.
