使用机器学习算法预测韩国严重受伤的老年创伤患者的30天死亡率:一项回顾性研究
Jonghee Han1, Su Young Yoon1, Junepill Seok1
1Department of Cardiovascular and Thoracic Surgery, Trauma Center, Chungbuk National University Hospital, Cheongju, Korea.
Journal of trauma and injury
|October 21, 2024
概括
机器学习模型,特别是XGBoost,可以准确地预测老年创伤患者的30天死亡率. 这些工具有助于临床医生评估死亡风险,以便在严重创伤病例中做出更好的决策.
科学领域:
- 老年人创伤护理 创伤护理
- 医学机器学习 医学机器学习
- 医学中的预测分析.
背景情况:
- 老年人群中创伤的发生率正在上升,需要精确的死亡风险评估.
- 准确的预后模型对于老年创伤患者的临床决策至关重要.
研究的目的:
- 开发和比较机器学习模型,用于预测严重受伤的老年患者的30天死亡率.
- 评估后勤回归,决策树,随机森林和XGBoost模型的性能.
主要方法:
- 利用了2016-2022年重度创伤 (伤害严重程度评分≥15) 的老年患者 (≥65岁) 的数据.
- 开发了四种机器学习模型:物流回归,决策树,随机森林和XGBoost.
- 使用AUC,准确性,精度,回忆,特异性,F1得分,SHAP值和学习曲线来评估模型性能.
主要成果:
- XGBoost表现出最高的预测性能,AUC为0.934和卓越的准确性,精度,回忆,特异性和F1评分.
- 通过SHAP分析确定的关键预测因素包括格拉斯哥昏迷表 (负面影响) 和红细胞输血计数 (积极影响).
- 学习曲线表明,模型的概括性得到了改进,培训数据增加.
结论:
- 机器学习模型,特别是XGBoost,对于预测严重受伤的老年创伤患者的30天死亡率是有效的.
- 基于这些模型的预测工具可以帮助医生对这个人口群体进行风险分层和临床决策.
