增强创伤护理:使用XGBoost的机器学习方法来预测使用NTDB数据的紧急出血干预
Jin Zhang1,2, Zhichao Jin2, Bihan Tang3
1School of Health Sciences and Engineering, University of Shanghai for Science and Technology, Shanghai 200000, China.
Bioengineering (Basel, Switzerland)
|August 29, 2024
概括
一个新的机器学习模型准确地预测了创伤患者急需紧急出血干预的需要. 这种使用国家创伤数据库开发的AI工具可以改善紧急响应和患者的治疗结果.
科学领域:
- 紧急医疗 紧急医疗
- 在医疗保健中的数据科学.
- 创伤外科 手术 创伤外科
背景情况:
- 出血是创伤死亡的主要原因,延迟控制显著增加死亡率.
- 在创伤患者的干预关键窗口经常错过,这是由于延迟识别出血.
- 现有的创伤护理努力迅速识别需要立即控制出血的患者.
研究的目的:
- 开发和验证一种机器学习模型,用于预测创伤患者急需紧急出血干预的需要.
- 利用人口统计和临床数据来早期识别严重出血.
- 增强紧急创伤护理的及时决策.
主要方法:
- 一个XGBoost机器学习模型被开发并使用来自国家创伤数据库 (2017-2019) 的数据进行验证.
- 该模型在创伤后最初几个小时的人口和临床数据上进行了训练和测试.
- 用AUROC评估模型性能,对培训,内部和外部验证集的灵敏度,特异性和准确性进行评估.
主要成果:
- 该XGBoost模型实现了高预测性能,在外部验证集上AUROC为0.875.
- 该模型在外部验证时显示出强大的临床实用性,灵敏度为77.8%,特异性为82.1%.
- 在所有数据集中,总体准确度超过81%,表明对出血干预需求的强大可靠预测.
结论:
- XGBoost模型准确地预测了创伤患者紧急出血干预的必要性.
- 与其他算法相比,这种机器学习方法表现出卓越的准确性和稳定性.
- 这些发现强调了人工智能的潜力,可以显著改善创伤护理中的紧急响应和临床决策.
