使用机器学习预测创伤护理改进的机会:在一个主要的创伤中心进行了一项基于注册表的回顾性研究
Jonatan Attergrim1,2, Kelvin Szolnoky3, Lovisa Strömmer4,5
1Department of Global Public Health, Karolinska Institutet, Stockholm, Sweden jonatan.attergrim@ki.se.
BMJ open
|June 6, 2025
概括
机器学习模型显著提高了创伤护理改进机会的识别,超过了传统的审计过器. 这些预测模型增强了患者安全和创伤系统审查流程.
科学领域:
- 创伤护理研究 创伤护理研究
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 确定改善创伤护理的机会对于改善患者的治疗结果至关重要.
- 目前的审计过器在准确识别这些机会方面存在局限性.
研究的目的:
- 开发和验证用于预测创伤护理改进机会的机器学习模型.
- 将这些模型的性能与现有的审计过器进行比较.
主要方法:
- 基于注册的回顾性研究,涉及8220名成年创伤患者.
- 开发和内部验证物流回归和XGBoost模型.
- 基于歧视,校准,灵敏度和假阳性率的绩效评估.
主要成果:
- 与审计过器 (AUC 0.62) 相比,机器学习模型 (逻辑回归:AUC 0.71,XGBoost:AUC 0.74) 显示出更高的预测性能.
- XGBoost模型在可比灵敏度下实现了较低的假阳性率.
- 这两种模型均显示出优异的校准 (校准间指数:0.02).
结论:
- 机器学习模型,特别是XGBoost,在识别创伤护理改进机会方面明显优于传统的审计过器.
- 这些模型提供了一个有前途的工具来优化创伤同行评审的患者选择,并加强质量改进计划.
