机器学习模型在预测急诊室难度较高的喉腔镜中的性能:与传统回归方法进行比较的单中心回顾性研究
Winchana Srivilaithon1, Pichamon Thanasarnpaiboon2
1Department of Emergency Medicine, Faculty of Medicine, Thammasat University, Pathum Thani, Thailand. winchanas@gmail.com.
BMC emergency medicine
|February 21, 2025
概括
机器学习模型,特别是随机森林,与传统方法相比,大大改善了难以预测的喉腔镜的预测. 这提高了紧急气道管理和患者安全.
科学领域:
- 紧急医疗 紧急医疗
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 紧急内内管管道输入对于呼吸道紧急情况至关重要.
- 精确预测困难的喉腔镜可改善患者的治疗结果和资源使用.
- 传统的方法,如LEMON标准的准确性有限;机器学习 (ML) 提供先进的预测能力.
研究的目的:
- 开发和验证ML模型,用于预测急诊室 (ED) 中困难的喉腔镜.
- 将ML模型的性能与传统回归模型进行比较.
主要方法:
- 对4 370名接受ED输管治疗的成年患者进行了回顾性队列研究.
- 困难的喉腔镜术被定义为Cormack-Lehane等级III或IV.
- ML模型 (逻辑回归,决策树,随机森林,XGBoost) 开发并使用逻辑回归识别的预测因素进行验证.
主要成果:
- 确定了9个预测因素:男性性别,创伤,缺少神经肌肉阻断剂,大切口,大舌头,口腔开口有限,甲状腺距离短,呼吸道受阻和部移动性差.
- 随机森林模型显示了最高的性能 (AuROC 0.82,准确度 0.89,回忆 0.89,F1-得分 0.87),表现优于常规回归 (AuROC 0.76).
- 随机森林和常规回归之间的AuROC的统计学上显著差异 (p=0.002).
结论:
- 随机森林模型为困难的喉腔镜检查提供了最强大的预测.
- ML模型提高了紧急气道管理的预测准确性.
- 在资源有限的环境中,物流回归仍然是实用的;未来的研究应该专注于外部验证和现实世界的实施.
