基于机器学习的模型的开发和验证,以评估严重多重创伤患者系统性炎症反应综合征的概率
Alexander Prokazyuk1, Aidos Tlemissov2, Marat Zhanaspayev3
1University Hospital of Non-Commercial Joint-Stock Company "Semey Medical University", 1a, Ivan Sechenov str, Semey city, 071400, Republic of Kazakhstan. prokazyuk.md@yandex.ru.
BMC medical informatics and decision making
|August 27, 2024
概括
机器学习模型在24小时内准确预测严重多创伤患者的系统性炎症反应综合征 (SIRS) 风险. 随机森林模型显示出卓越的预测性能,有助于早期临床管理.
科学领域:
- 医疗信息学 医疗信息学
- 创伤外科 手术 创伤外科
- 关键护理医学 关键护理医学
背景情况:
- 系统性炎症反应综合征 (SIRS) 是严重多创伤不良结果的关键预测因素,包括传染性并发症,器官衰竭和死亡率.
- SIRS可以延迟必要的早期手术干预,突出需要及时进行风险评估.
- 进行了一项回顾性研究,以开发住院24小时内SIRS的预测模型.
研究的目的:
- 开发和验证机器学习模型,用于预测严重多创伤患者中系统性炎症反应综合征 (SIRS) 的早期风险.
- 确定与这种患者群体中SIRS发展相关的关键因素.
- 改善对多创伤患者的临床决策和资源配置.
主要方法:
- 追溯分析了439名严重多创伤患者的数据.
- 开发了六种机器学习模型:决策树,随机森林,后勤回归,支持矢量分类器,梯度增强分类器和神经网络.
- 使用AUROC (接收器操作特征曲线下的面积) 来验证模型有效性的内部和外部验证.
主要成果:
- 在52.4%的患者中,SIRS在24小时内被诊断出来.
- SIRS与II类出血,血管压缩剂使用,急性凝血病和肺炎的风险增加有显著关联.
- 随机森林分类器实现了最高的预测准确性,AUROC为0.89 (内部验证) 和0.83 (外部验证).
结论:
- 机器学习模型,特别是随机森林分类器,可以准确地预测严重多创伤患者SIRS的早期风险.
- 早期SIRS风险预测使临床医生能够预测患者管理策略并优化资源配置.
- 这种预测能力对于及时干预和改善严重创伤护理患者结果至关重要.
