相关实验视频
Updated: Jun 20, 2025
07:57
Integrated Compensatory Responses in a Human Model of Hemorrhage
Published on: November 20, 2016
12.5K
机器学习模型预测分拣水平,大规模输血协议激活和创伤中的死亡率,利用患者在入院时的血液动力学
Ayman El-Menyar1, Mashhood Naduvilekandy2, Mohammad Asim2
1Clinical Research, Trauma and Vascular Surgery, Hamad Medical Corporation, Doha, Qatar; Clinical Medicine, Weill Cornell Medical College, Doha, Qatar.
Computers in biology and medicine
|July 17, 2024
概括
机器学习模型准确地预测创伤分拣,大规模输血协议 (MTP) 激活和死亡率. 这些人工智能工具,特别是随机森林,与传统方法相比,在急诊室提供了改善的早期创伤患者管理.
科学领域:
- 紧急医疗 紧急医疗
- 数据科学数据科学数据科学
- 临床信息学 临床信息学
背景情况:
- 有效的创伤患者管理需要有效的分组,及时激活大规模输血协议 (MTP) 和准确的结果预测.
- 机器学习 (ML) 模型在优化创伤护理决策和预测临床结果方面表现有前途,往往超过传统方法.
研究的目的:
- 开发,评估和比较创伤分拣,MTP激活和住院死亡率预测的ML模型.
- 用入院血液动力学数据评估七种不同的ML算法的预测能力.
主要方法:
- 这是一项对17,390名成年创伤患者数据的10年回顾性分析.
- 七个ML模型 (KNN,LR,DT,SVM,RF,XGBoost,ANN) 使用Python开发和评估,使用数据归算和平衡技术 (SMOTE).
- 模型性能使用包括F1得分,灵敏度,特异性,精度,AUC ROC和AUC PR在内的指标进行评估,并进行超参数调整和5倍交叉验证.
主要成果:
- ML模型在预测分组 (F1: 0.75,AUC ROC: 0.89),MTP激活 (F1: 0.42,AUC ROC: 0.95) 和死亡率 (F1: 0.79,AUC ROC: 0.99) 中表现出强的表现.
- 推算和平衡技术显著改善了模型的预测能力.
- 关键的血液动力学变量,如冲击指数,缩血压和平均动脉压被确定为关键预测因素.
结论:
- 机器学习,特别是随机森林模型,有效地预测创伤分拣,MTP激活和死亡率.
- 与个别参数相比,ML模型在急诊室 (ED) 早期创伤患者管理方面提供了更好的预测能力.
- 未来的研究应该专注于开发敏感和可解释的ML模型,以进一步提高创伤护理.
