开发实用的机器学习生存模型,以识别创伤性脑损伤后在医院死亡的高风险患者
Aref Andishgar1,2, Maziyar Rismani1,2, Sina Bazmi1,2
1Trauma Research Center, Department of Neurosurgery, Shahid Rajaee (Emtiaz) Trauma Hospital, Shiraz University of Medical Sciences, Shiraz, Iran.
Scientific reports
|February 18, 2025
概括
机器学习 (ML) 模型准确地预测创伤性脑损伤 (TBI) 患者的结果,优于传统的评分系统. 这种人工智能方法通过精确的,时间依赖的风险评估和量身定制的干预措施来增强患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 临床预测模型临床预测模型
背景情况:
- 创伤性脑损伤 (TBI) 的传统评分系统在预测患者结果方面存在局限性.
- 机器学习 (ML) 为提高预测准确性和改善TBI管理中的患者护理提供了机会.
研究的目的:
- 开发和评估用于预测TBI患者住院死亡率的ML模型.
- 将ML算法的性能与传统的评分系统进行比较.
- 确定死亡率的关键预测因素,并建立TBI患者的风险分层.
主要方法:
- 一项回顾性研究分析了3,180名TBI患者,评估了19个变量.
- 数据预处理包括处理缺失值和平衡类失衡.
- 包括随机生存森林 (RSF) 和渐变增强在内的ML算法被用于生存分析.
- 评估了特征的重要性和时间依赖的预测能力.
主要成果:
- 性能最好的模型,RSF与ROS重新采样,实现了平均AUC为0.80,综合障碍得分 (IBS) 为0.11,IPCWc指数为0.79.
- 住院死亡率的关键预测因素包括年龄,格拉斯哥昏迷量表 (GCS),瞳孔状况,激活的部分血栓形成时间 (PTT),内压力 (IPH) 和鹿特丹得分.
- 63.34的风险分层切断线有效将患者分为低风险和高风险组,通过卡普兰-梅尔曲线观察到显著的生存差异.
结论:
- 与传统方法相比,ML模型,特别是RSF,对TBI结果的预测准确度更高.
- 开发的模型利用了第一天的临床数据,能够准确的依赖时间的风险评估,以实现个性化的患者管理.
- 这项研究验证了AI工具在临床环境中的可行性和有效性,以改善TBI患者的护理.
