一个基于紧急临床数据的机器学习模型,预测中风和创伤患者的3天住院死亡率

科学领域:

• 神经学 神经学
• 紧急医疗 紧急医疗
• 数据科学数据科学数据科学

背景情况:

• 准确预测中风和创伤性脑损伤 (TBI) 患者的短期住院死亡率对于优化紧急护理至关重要.
• 及时的风险分层有助于资源分配和临床决策对重症患者.

研究的目的:

• 开发和验证一种机器学习模型,用于预测中风和TBI的紧急入院患者的3天住院死亡率.
• 确定影响该患者队列短期死亡风险的关键临床和生化因素.

主要方法:

• 分析了来自2,125名中风和TBI的急诊患者的数据.
• 使用LASSO回归和模型比较的特征选择,包括后勤回归和六个机器学习算法.
• 验证使用70:30交叉验证分割,启动信任区间和时间验证. SHAP价值评估的变量重要性.

主要成果:

• 随机森林算法实现了对3天死亡率的高预测精度,AUC为0.978 (95% CI:0.966-0.986).
• 时间验证证实了强大的概括能力 (AUC:0.975,95% CI:0.963-0.986).
• 关键预测因素包括代谢综合征,NEWS2评分,格拉斯哥昏迷量表 (GCS),手术状态,肠道运动,,AST水平和时间因素.

结论:

• 开发的随机森林模型准确预测中风和TBI患者的短期住院死亡率.
• 该模型整合了紧急评分,临床症状和生化指标,以进行全面的风险评估.
• 这种数据驱动的方法可以支持临床决策,并改善紧急情况下患者的治疗结果.