预测创伤患者手术前和手术后凝血病的十种机器学习模型:多中心队列研究
Xiaojuan Xiong1, Hong Fu2, Bo Xu3
1Department of Anesthesiology, Daping Hospital, Army Medical University, Chongqing, China.
Journal of medical Internet research
|January 22, 2025
概括
机器学习模型有效预测创伤患者的手术前和术后创伤性凝血病 (PPTIC). 识别关键风险因素有助于及时进行干预,减少并发症和死亡率.
科学领域:
- 医学研究 医学研究
- 数据科学是数据科学.
- 临床信息学是一种临床信息学.
背景情况:
- 机器学习 (ML) 模型在改善创伤患者的预后预测方面表现有前途.
- 之前的研究没有探讨手术前和术后创伤性凝血病 (PPTIC) 的风险因素,并发症或预测模型.
研究的目的:
- 确定与PPTIC相关的风险因素和并发症.
- 开发和验证ML模型,用于预测创伤患者的PPTIC.
- 帮助临床医生及时实施干预措施,以减少PPTIC发病率和相关不良结果.
主要方法:
- 分析了来自4个医疗中心13,235名创伤患者的数据.
- 使用Python开发10ML模型,根据手术前指标预测PPTIC.
- 外部验证使用来自独立中心的3,212名患者的数据;模型性能通过交叉验证,Brier分数和Shapley值进行评估.
主要成果:
- 确定的主要PPTIC风险因素包括延长凝血时间,降低血红蛋白/血红素//,低透静血压,肝酶升高,高入院心率,紧急手术和输血.
- PPTIC显著增加了败血症,心力衰竭,妄,异常凝血,气管切割,死亡率和尿路感染的风险,以及更长的住院和ICU停留时间.
- 随机森林ML模型在预测PPTIC方面表现优异,在外部验证中AUC为0.91和准确度为0.84.
结论:
- 术前和术后创伤性凝血病 (PPTIC) 与许多严重并发症和长时间住院有关.
- 几种临床和实验室指标是PPTIC的重要风险因素.
- 随机森林模型是预测PPTIC的最有效的ML工具,可以实现更好的临床管理.
