机器学习对圣路易斯地区新出现的枪支伤害事件的分类:2010-2020年
Rachel M Ancona1, Benjamin P Cooper2, Randi Foraker3
1Department of Emergency Medicine, Washington University in St Louis, St Louis, MO 63110, United States.
概括
机器学习有效地对新的枪支伤害事件进行分类,优于传统方法. 这种方法有助于识别重伤并改善患者的后续护理.
科学领域:
- 公共卫生 公共卫生
- 医疗信息学 医疗信息学
- 创伤外科 手术 创伤外科
背景情况:
- 准确分类新的与后续的枪支伤害遭遇对于有效的干预和研究至关重要.
- 目前用于分类枪支伤害遭遇的现有方法在准确性和效率方面存在局限性.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于分类新的与后续的枪支伤害遭遇.
- 为了比较ML模型的性能与常用的代理措施.
主要方法:
- 通过使用暴力干预计划 (2010-2020) 的回顾性数据训练了最小绝对收缩和选择运算符 (LASSO) 回归模型.
- 预测因素包括入院类型,访问之间的时间,先前的急诊室 (ED) 访问,遭遇类型和诊断代码.
- 用曲线下的面积 (AUC),灵敏度和特异性来评估模型性能,手动图表审查作为黄金标准.
主要成果:
- ML模型显示出优异的分辨率 (AUC:0.92),具有高灵敏度 (0.95) 和特异性 (0.89).
- ML模型的AUC明显高于基于时间的方法.
- 特异性优于所有其他评估方法,而灵敏度是可比的.
结论:
- 机器学习提供了一种强大的方法来划分新的枪支伤害遭遇.
- 开发的ML模型优于传统方法,特别是在识别不用于后续行动的遭遇方面.
- 这种ML方法对研究枪支重伤模式和改善患者管理的研究具有重大潜力.
