在严重受伤的创伤患者中预测死亡率TRISS和基于机器学习的预测模型之间的比较
Jonas Holtenius1, Mathias Mosfeldt2, Anders Enocson2
1Department of Clinical Science, Intervention and Technology, Karolinska Institute, 14152 Stockholm, Sweden; Department of Trauma, Acute Surgery and Orthopaedics, Karolinska University Hospital, 17177 Stockholm, Sweden.
Injury
|June 27, 2024
概括
机器学习模型在预测严重受伤的创伤患者的死亡率方面明显优于创伤评分和伤害严重程度评分 (TRISS). 这些先进的模型为创伤结果预测提供了卓越的准确性.
科学领域:
- 创伤护理和重症病研究.
- 人工智能在医疗保健中的应用.
- 公共卫生和基于注册的研究.
背景情况:
- 创伤严重影响全球医疗保健系统,需要准确的结果预测.
- 创伤评分和伤害严重程度评分 (TRISS) 被广泛使用,但在复杂的情况下存在局限性.
- 之前的研究没有利用全国性的登记数据来开发创伤死亡率的先进预测模型.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测严重受伤创伤患者的30天死亡率.
- 将ML模型的性能与已建立的TRISS模型进行比较.
- 利用来自全国性创伤登记册的数据来提高预测准确度.
主要方法:
- 利用了2015-2019年瑞典国家创伤登记 (SweTrau) 的数据.
- 应用特征选择和多重归算用于数据预处理.
- 开发并测试了三个ML模型:随机森林,极端梯度增强和通用线性模型.
主要成果:
- 与TRISS相比,机器学习模型在所有测试的指标上都表现出优越的预测能力.
- 极端梯度提升模型实现了最高的性能,曲线下的面积 (AUC) 为0.91.
- 所有开发的ML模型都经过了良好的校准,表明了可靠的预测.
结论:
- 基于机器学习的预测模型在预测创伤死亡率方面明显优于TRISS.
- 这项研究强调了ML在使用全国数据改善创伤结果预测方面的潜力.
- 这些发现表明,在临床实践中创伤死亡率预测的新标准.
