机器学习在创伤患者中区分体外膜氧化率死亡率风险概况
Bryan R Campbell1, Alexandra S Rooney1, Andrea Krzyzaniak1
1Division of Trauma and Acute Care Surgery, Department of Surgery, Scripps Mercy Hospital, San Diego, CA, USA.
The American surgeon
|May 16, 2024
概括
机器学习确定了外体膜氧化 (ECMO) 的创伤患者的三个不同的风险概况. 这些基于受伤严重程度和患者特征的个人资料可以完善ECMO治疗指南和决策.
科学领域:
- 创伤外科 手术 创伤外科
- 临界护理医学 临界护理医学
- 机器学习应用 机器学习应用
背景情况:
- 身体外膜氧化 (ECMO) 是一种具有高资源需求和死亡率的生命支持技术.
- 目前关于ECMO在创伤患者中使用的指南没有充分确定最有可能受益的个体.
- 需要对重创性ECMO的患者选择标准进行细化.
研究的目的:
- 在接受ECMO的创伤患者中识别独特的患者风险概况.
- 利用机器学习对大型创伤患者数据库进行全面分析.
- 增强对影响ECMO治疗创伤患者结果的因素的理解.
主要方法:
- 利用创伤质量改进计划数据库 (2010-2019) 对16岁及以上的患者.
- 应用机器学习K-中位数集群与101个变量,包括伤害严重程度,人口统计,并发症和住院.
- 评估死亡率,患者特征,以及在已识别的风险档案中中心变化.
主要成果:
- 从1037名ECMO患者中确定了3个不同的患者风险概况 (33%的死亡率).
- 第一组:年轻,严重受伤的患者,胸部/头部受伤和ARDS.
- 第二组:中度受伤的患者与暴露相关的伤害.
- 第三组:患有并发症和四肢损伤的老年患者.
结论:
- 机器学习有效地识别ECMO创伤患者的独特死亡风险概况.
- 这些发现可以为现有的ECMO治疗指南提供信息和改进.
- 已确定的个人资料支持更好的临床决策和ECMO使用的机构标准.
