机器学习增强预测创伤后需要进行出血复苏的试点部署 - 冲击矩阵试点研究

科学领域:

• 创伤护理 创伤护理
• 机器学习在医学中的应用
• 临床决策支持 临床决策支持

背景情况:

• 创伤患者的决策往往偏离指导方针,影响出血复苏.
• 机器学习 (ML) 提供了增强临床决策支持以改善结果的潜力.

研究的目的:

• 开发一种 ML 增强的决策支持工具,用于预测出血复苏 (NHR) 的需要.
• 通过智能手机应用程序评估实时预测变量收集的可行性.

主要方法:

• 开发了一种使用医院前数据来预测NHR的ML模型.
• 使用F4得分测试了模型的预测性能.
• 评估了创伤中心的实时数据收集和预测可行性.

主要成果:

• 一个使用9个医院前变量的XGBoost模型,在NHR预测方面获得了0.76的F4得分.
• 通过智能手机应用程序实时收集数据在38.5%的符合条件的患者中是可行的.
• ML模型的预测显示了与临床医生gestalt相比的概率比率.

结论:

• 开发的ML工具 (ShockMatrix) 有效地预测创伤患者的NHR.
• 通过智能手机应用程序实时实现是可行的,而不会破坏工作流程.
• 通过ML增强的决策支持可以帮助优化出血复苏.