使用机器学习在资源较少的环境中增强创伤分拣:与坎帕拉创伤分数的性能比较
Mike Nsubuga1,2,3, Timothy Mwanje Kintu4,5, Helen Please6,7
1The Infectious Diseases Institute, Makerere University, P. O. Box 22418, Kampala, Uganda. nsubugamike021@gmail.com.
BMC emergency medicine
|January 24, 2025
概括
机器学习模型在预测创伤分类决策方面显著优于坎帕拉创伤分数 (KTS). 这些先进的模型为改善低收入和中等收入国家 (LMICs) 的创伤护理提供了有希望的方法.
科学领域:
- 医疗信息学和人工智能在全球卫生中.
- 创伤护理和急诊医学研究.
背景情况:
- 创伤伤害是全球死亡和残疾的主要原因,特别是在低收入和中等收入国家 (LMICs).
- 坎帕拉创伤评分 (KTS) 被广泛用于LMICs的创伤分拣,但其预测准确性受到争议.
研究的目的:
- 评估机器学习 (ML) 模型在预测创伤分类决策方面的有效性.
- 将ML模型的性能与已建立的KTS进行比较.
主要方法:
- 训练和评估了四种ML模型 (逻辑回归,随机森林,梯度提升,支持矢量机) 使用来自乌干达4,109名创伤患者的数据.
- 使用准确度,精度,回忆,F1得分和AUC-ROC评估模型性能.
- 开发了一个基于KTS的基准多项物流回归模型.
主要成果:
- 所有ML模型的表现明显优于KTS (AUC-ROC为0.91与0.62,p <0.01).
- 与KTS模型 (0.54) 相比,随机森林模型获得了最高的准确性 (0.69).
- 性别,住院时间和年龄是ML模型发现的最重要的预测因素.
结论:
- 与KTS相比,机器学习模型在创伤分拣方面表现出优越的预测能力,使用有限的患者数据.
- 将ML纳入选决策提供了一个重要的机会,可以在LMIC中推进创伤护理.
- 进一步验证对于将ML模型可靠地整合到临床实践中至关重要,以改善资源配置和患者治疗结果.
