使用神经网络优化缩短伤害严重程度尺度,以提高伤害严重程度得分的预测性能

科学领域:

• 创伤研究研究创伤研究
• 医疗信息学医学信息学
• 医疗保健中的人工智能

背景情况:

• 缩写伤害量表 (AIS) 对于评估伤害严重程度至关重要.
• 伤害严重程度评分 (ISS) 使用AIS预测患者死亡率.
• 目前的AIS严重程度分级可能在预测准确性方面存在局限性.

研究的目的:

• 使用神经网络优化缩写伤害量表 (AIS) 的严重程度.
• 提高伤害严重性评分 (ISS) 对患者死亡率的预测性能.
• 调查人工智能驱动的方法来改善创伤伤害分级.

主要方法:

• 使用AIS 2008代码和严重程度使用单层感知神经网络.
• 使用来自日本创伤数据库 (2019-2022) 的数据,但不包括特定的患者群体.
• 代反向传播优化了AIS严重性,创建了受限制和不受限制的分析集.

主要成果:

• 优化的AIS严重性集 (受限制和无限制) 与原始集相比显著改善了ISS预测性能 (AUROC 0.82-0.83与0.78).
• 神经网络成功地调整了众多AIS代码的严重程度权重,其中大多数显示严重程度下降.
• 分析包括107,349个案例和310,232个AIS代码,其中AIS 2008代码占86.7%.

结论:

• 基于神经网络的AIS严重性的优化是可行的和有效的.
• 这种方法提高了伤害严重程度分级的准确性.
• 优化的ISS显示了与创伤相关的死亡率的预测能力的提高,支持潜在的未来AIS修订.