开发和验证贝叶斯网络,预测受伤儿童在医院抵达后的输入管道

科学领域:

• 儿科创伤护理 儿童创伤护理
• 机器学习在医学中的应用
• 航空航道管理的管理.

背景情况:

• 呼吸道管理不足是可预防的创伤死亡的重要原因之一.
• 现有的用于创伤输管预测的机器学习工具仅限于成年人,并使用非即时数据.
• 需要预测工具,适用于到达儿科患者群体.

研究的目的:

• 开发和验证贝叶斯网络,用于预测儿科创伤患者出现的输管.
• 为了利用可观察到的数据,在复苏过程的早期可用.
• 改善儿童创伤护理中的呼吸道管理策略.

主要方法:

• 利用了来自四个1级儿科创伤中心 (2010-2021) 的创伤登记数据.
• 接受培训并验证了贝叶斯网络模型,该模型包含人口,伤害,复苏和运输特征.
• 使用接收器运行特征 (ROC) 下面面积和校准曲线评估模型性能.

主要成果:

• 该TITAN (创伤分析网络中输管时间) 模型包括格拉斯哥昏迷量表,损伤机制,损伤类型,缩血压和年龄.
• 在ROC曲线下的面积达到0.83 (95%CI0.80,0.85).
• 证明高特异性 (98%),负预测值 (97%) 和准确性 (96%) 在22.6%的概率值.

结论:

• 泰坦贝叶斯网络有效预测儿科创伤患者的输管风险,使用早期可观察的因素.
• 需要进一步的前性验证来评估现实世界的临床益处和风险.
• 这个模型可以支持儿童创伤复苏的及时和明智的气道管理决策.