利用超早期的连续生理学数据,在创伤性脑损伤人口中开发临床严重性的自动测量方法
Shiming Yang1,2, Peter Hu1,2, Konstantinos Kalpakis3
1Program in Trauma, University of Maryland School of Medicine, 22. S. Greene Street, G7K19, Baltimore, MD, 21201, USA.
Scientific reports
|March 31, 2024
概括
机器学习模型根据生命体征估计格拉斯哥昏迷量表 (GCS) 和损伤严重性评分 (ISS),准确预测创伤性脑损伤 (TBI) 患者的死亡率. 这种自动化增强了早期分拣和资源分配.
科学领域:
- 生物医学工程 生物医学工程
- 数据科学在医学中的数据科学
- 创伤外科 手术 创伤外科
背景情况:
- 在创伤性脑损伤 (TBI) 选中,准确的预后确定是具有挑战性的.
- 目前的创伤评分 (TRISS,RTS) 依赖于GCS和ISS,在快速分拣设置中可能会延迟或不准确.
- 需要更快,自动化的方法来评估TBI的严重程度和预测结果.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以使用连续生命体征数据来估计GCS和ISS.
- 评估ML衍生的RTS和TRISS (ML-RTS,ML-TRISS) 在预测TBI患者住院死亡率方面的实用性.
- 提高TBI分拣和资源分配的速度和准确性.
主要方法:
- 从入院后的前15分钟使用了连续生命体征数据 (心电图,PPG,血压).
- 机器学习模型 (ML-GCS,ML-ISS) 被训练来估计GCS和ISS.
- 用AUROC计算ML-RTS和ML-TRISS并与实际的RTS和TRISS进行比较,以预测使用AUROC的死亡率.
主要成果:
- 在预测系统性损伤的TBI (AUROC 0.963对0.965) 和孤立的TBI (AUROC 0.977对0.983) 的死亡率方面,ML-TRISS的性能与传统的TRISS相当.
- 两组的ML-RTS表现都低于传统的RTS (带有系统性损伤的TBI:0.823与0.928;孤立的TBI:0.790与0.957).
- 该研究包括超过27000个TBI病例用于培训和测试.
结论:
- 基于机器学习的对生命体征的GCS和ISS的估计可以提供TRISS的准确评估.
- 自动化TRISS计算显示了增强TBI管理中的早期分拣和资源分配的前景.
- 可能需要进一步的研究来优化ML-RTS的临床实用性.
