预测儿童创伤量:使用机器学习进行的一项回顾性研究的见解.

科学领域:

• 儿科创伤研究儿童创伤研究.
• 医疗保健资源管理 医疗保健资源管理
• 机器学习在医学中的应用

背景情况:

• 在美国,与枪支相关的儿童死亡人数正在增加,使创伤中心承受压力.
• 准确的创伤量预测对于资源配置和准备工作至关重要.
• 这项研究调查了每日创伤量预测的可行性.

研究的目的:

• 评估各种机器学习模型的准确性,以预测儿科创伤中心的数量.
• 为了在每月,每周和每天的预测间隔中比较模型性能.
• 评估这些预测模型的现实应用性.

主要方法:

• 对12,144名儿科创伤患者记录 (2013-2023) 的回顾性分析.
• 数据分为每月,每周和每日队列 (共21组).
• 评估14个时间序列预测模型,使用标准指标和现实世界的模拟.

主要成果:

• 每月预测的准确性通常高于每周或每天的预测.
• 在月度预测方面,Silverkite模型优越;1D-CNN在每日预测方面表现出色.
• 先知模型在每月的真实世界模拟中表现最好;每周的预测结果是不确定的.

结论:

• 每月预测儿科创伤量是最准确的方法.
• 模型性能在不同的数据分组和预测间隔之间有显著差异.
• 虽然每月的预测显示出希望,但每日创伤量预测需要大幅改善临床效用.