使用机器学习模型预测多创伤患者的复杂性和死亡率
Meiqi Yu1,2, Shen Wang3, Kai He1,2
1School of Artificial Intelligence and Information Technology, Nanjing University of Chinese Medicine, Nanjing, 210023, Jiangsu, China.
Scientific reports
|April 9, 2024
概括
机器学习模型可以准确预测多创伤患者的死亡率和复杂性. XGBoost模型显著优于传统得分,为更好的患者管理提供了更好的预后估计.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 创伤外科 手术 创伤外科
背景情况:
- 多创伤患者呈现复杂的预后,需要准确预测死亡率和复杂性.
- 现有的创伤评估得分在准确评估多创伤结果方面存在局限性.
- 机器学习为提高重症监护机构的预后准确性提供了一个有希望的途径.
研究的目的:
- 开发和评估用于预测多创伤患者死亡率和复杂性的机器学习模型.
- 将机器学习模型的性能与已建立的创伤评分系统进行比较.
- 识别导致多创伤结果的关键临床预测因素.
主要方法:
- 对756名多创伤患者的回顾性分析,这些患者被录入ICU.
- 使用临床特征开发机器学习模型 (SVM,RF,ANN,XGBoost).
- 与损伤严重程度得分 (ISS),创伤指数 (TI) 和格拉斯哥昏迷表 (GCS) 进行最佳ML模型性能比较.
主要成果:
- 在死亡率预测方面,XGBoost模型实现了90%的准确性和88%的F-score,超过了其他ML模型和传统得分.
- 外部验证证实了XGBoost模型的稳定性和通用性 (91%的准确性,82%的AUC).
- XGBoost还在预测多创伤复杂性方面表现出卓越的表现,其中包括像内血瘤 (ICH) 这样的显著预测因素.
结论:
- 机器学习算法,特别是XGBoost,可以显著提高多创伤患者的预后估计.
- 开发的ML模型为预测死亡率和复杂性提供了比传统评分系统更好的准确性.
- 在多创伤护理中利用ML具有优化患者管理和结果的潜在价值.
