使用机器学习提高国家现场选指南的性能:开发一个医院前选模型来预测严重创伤
Qi Chen1, Yuchen Qin1, Zhichao Jin1
1Department of Health Statistics, Naval Medical University, Shanghai, China.
Journal of medical Internet research
|September 30, 2024
概括
这项研究开发了一种用于医院前创伤分拣的机器学习模型,改善了严重创伤的预测,并降低了不足分拣率. 新模型的性能优于现有的指导方针,提高了患者的护理.
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:
- 医院前创伤分类对于将严重创伤患者指导到适当的护理至关重要.
- 美国外科医生协会目前的国家现场选指南在识别严重伤害方面表现出有限的敏感性.
- 需要改进医院前选工具,以提高患者的治疗结果.
研究的目的:
- 开发一个先进的医院前选模型,用于预测严重的创伤.
- 提高现有的国家现场选指南的准确性和有效性.
- 为了降低严重创伤患者的低选率.
主要方法:
- 一项利用国家创伤数据库 (2017-2019) 的数据进行的多站点预测研究.
- 包括16岁以上的病人,由救护车从现场运送.
- 使用极端梯度增强和沙普利增量解释分析开发模型,数据分为培训,内部和外部验证集.
主要成果:
- 该模型在严重创伤预测方面获得了0.799的灵敏度 (受伤严重程度评分≥16),低率为0.080.
- 与格拉斯哥昏迷评分,医院前指数,修订的创伤评分和国家现场选指南的RED标准相比,它表现出了优异的表现.
- 模型性能在内部和外部验证集中一致,表明了稳定性.
结论:
- 开发的临床诊断模型显示,对准确预测严重创伤有很大的前景.
- 该模型可以实现低于10%的低率,从而提高患者的安全性.
- 机器学习技术有效地提高了当前医院前现场选指南的性能.
