预测创伤性脑损伤的长期结果的实用方法:通过机器学习增强临床决策
Amirmohammad Farrokhi1, Mahtab Jalali2, Mohamed Sobhi Jabal3
1Trauma Research Center, Shahid Rajaee (Emtiaz) Trauma Hospital, Department of Neurosurgery, Shiraz University of Medical Sciences, Shiraz, Iran; Research Center for Neuromodulation and Pain, Shiraz University of Medical Sciences, Shiraz, Iran.
Computers in biology and medicine
|July 24, 2025
概括
这项研究预测了使用CatBoost的创伤性脑损伤 (TBI) 结果,改善了患者的护理. 深度学习模型增强了TBI患者的临床决策,有助于资源分配和改善生存预测.
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
- 神经科学是一个神经科学.
背景情况:
- 创伤性脑损伤 (TBI) 是全球急诊的主要原因,导致严重的发病率,死亡率和经济负担.
- 有效预测TBI患者的结果对于优化医疗资源分配和患者管理至关重要.
研究的目的:
- 开发和评估一种深度学习模型 (CatBoost),用于预测TBI患者的六个月结果.
- 通过准确的TBI结果预测,增强临床决策和资源配置.
主要方法:
- 利用了2016-2021年期间入院的3132名TBI患者的数据集.
- 使用 CatBoost,一个渐变增强的决策树模型,来预测结果 (死亡,残疾,有利).
- 应用数据增强 (CTGAN) 以平衡数据并改善代表性不足的类别的模型性能.
主要成果:
- CatBoost模型在初级数据集上实现了76.91%的准确性.
- 数据增量显著改善了预测指标,特别是在依赖于残疾的结果 (精度为12.50%至70.50%).
- 随着数据增强,曲线下的面积 (AUCμ) 从0.76提高到0.88.
结论:
- 预测TBI患者长期结果的实用界面可以帮助临床决策.
- CatBoost模型提供了一种可行的方法,用于在临床环境中预测TBI患者的结果.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:21Systems Analysis of the Neuroinflammatory and Hemodynamic Response to Traumatic Brain Injury
Published on: May 27, 2022
3.2K
