机器学习驱动的预测在创伤性腹腔内血瘤:开发一个预测性Web应用程序的开发
Mert Karabacak1, Konstantinos Margetis1
1Department of Neurosurgery, Mount Sinai Health System, New York, New York, USA.
Neurosurgery practice
|February 17, 2025
概括
机器学习模型有效地预测了急性创伤性脑下血瘤 (atSDH) 患者的医院治疗结果. 一个开发的Web应用程序将这些模型集成到潜在的临床用途中.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
- 创伤外科 手术 创伤外科
背景情况:
- 急性创伤性腹膜下血瘤 (atSDH) 是一种严重的病情,具有显著的住院发病率和死亡率.
- 预测atSDH患者的结果对于及时干预和资源分配至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测在SDH患者的不良住院结果.
- 创建一个可访问的Web应用程序来部署这些预测性ML模型.
主要方法:
- 利用了美国外科医生学院创伤质量计划数据库中的数据,用于atSDH患者.
- 采用了五个ML算法 (TabPFN,TabNET,XGBoost,LightGBM,Random Forest) 具有超参数调整.
- 评估了住院死亡率,非家庭出院,长时间停留 (LOS),ICU-LOS和重大并发症.
主要成果:
- TabPFN在死亡率 (AUROC 0.934) 和重大并发症方面表现出最高的预测性能.
- 在预测非家庭出院,长期LOS和ICU-LOS方面,LightGBM表现出色.
- 性能最好的模型被集成到一个用于预测结果的网络应用程序中.
结论:
- 机器学习工具在预测SDH患者的不同结果方面显示出显著的希望.
- 开发的Web应用程序提供了一个实用的平台,可以将这些ML模型集成到临床工作流程中.
