通过机器学习模型增强关闭骨盆骨折的临床决策

科学领域:

• 整形外科手术 整形外科手术
• 创伤管理 创伤管理
• 医疗信息学 医疗信息学

背景情况:

• 关闭的骨盆骨折带来重大风险,包括血液动力学不稳定性和死亡率.
• 准确预测这些并发症对于有效的临床管理至关重要.

研究的目的:

• 开发和评估机器学习算法,用于预测闭骨骨折患者的血液动力学不稳定性和死亡率.
• 确定与这些不良结果相关的关键临床风险因素.

主要方法:

• 一项对133名关闭骨盆骨折患者的回顾性研究.
• 利用机器学习算法,包括后勤回归,随机森林等.
• 分析了40个临床变量,并进行了因子分析.

主要成果:

• 与传统方法相比,随机森林 (RF) 和物流回归 (LR) 模型显示出更好的预测性能.
• 射频模型的AUC为0.92,准确度为0.86,精度为0.81,F1得分为0.87.
• 确定了TILE等级,心率,肌素,WBC,纤维素,乳酸和ISS作为重要风险因素.

结论:

• 射频和射频算法是有效的工具,用于预测血液动力学不稳定性和死亡率,在封闭的骨盆骨折.
• 这些模型可以增强临床决策和改善患者的治疗结果.
• 乳酸水平>3.7和ISS>13是不良事件的重要预测因素.