9-1-1紧急医疗服务运输的儿童中枪支伤害风险预测:机器学习分析

科学领域:

• 公共卫生 公共卫生
• 流行病学 流行病学
• 数据科学在医学中的数据科学

背景情况:

• 枪支伤害在儿童和青少年中是一个重大的公共卫生问题.
• 需要预测工具来识别高风险儿科人群,以进行有针对性的干预.

研究的目的:

• 开发和验证机器学习模型,用于预测救护车运输的儿科患者的枪支伤害风险.
• 为了利用人口统计信息和家庭邮政编码数据进行风险分层.

主要方法:

• 分析了47个州的0-17岁儿童 (2014-2022) 的救护车运输记录.
• 包括96个预测因素,包括来自5个来源的人口和社区数据.
• 为青春期前 (0-10岁) 和青少年 (11-17岁) 队伍开发单独的,高特异性的机器学习模型.

主要成果:

• 包括超过619万名儿童,其中21,625名 (0.35%) 遭受枪支伤害.
• 青春期前的模型实现了95.1%的特异性 (AUC 0.761),青少年的模型达到94.8%的特异性 (AUC 0.818).
• 关键预测因素因年龄组而异,突出了枪支伤害的不同风险因素.

结论:

• 基本的人口统计数据和社区特征有效地识别了患有枪支伤害风险较高的儿科患者.
• 这些预测模型可以为伤害预防资源的分配提供信息,并指导针对处于危险的年轻人进行有针对性的干预.