预测手术后创伤诱导的凝血病在机器学习严重受伤的患者

科学领域:

• 医疗信息学 医疗信息学
• 创伤外科 手术 创伤外科
• 凝血障碍 凝血障碍 凝血障碍

背景情况:

• 创伤引起的凝血病 (TIC) 在严重创伤患者中很常见,导致包括器官功能障碍,败血症和死亡率在内的不良预后.
• 很少有研究专注于在严重创伤的患者中早期识别术后TIC.
• 有效早期识别高风险患者对于及时干预和改善结果至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于早期识别患有术后创伤诱导凝血病 (TIC) 高风险的患者.
• 评估各种机器学习算法在预测术后ICT方面的性能.
• 提供一个工具,以加强临床决策管理严重创伤患者.

主要方法:

• 从2013年1月到2023年2月在四家中国医院接受手术的严重创伤患者的回顾性分析.
• 使用了开发数据集 (n=1204) 和外部验证数据集 (n=863).
• 评估了机器学习算法,包括随机森林,物流回归,梯度提升,SVM,ANN,XGBoost和天真贝叶斯. 用准确度,灵敏度,特异性和AUC来评估模型性能.

主要成果:

• 创伤引起的凝血病 (TIC) 在发育队列中发生在25.4%,在外部验证队列中发生在2.9%.
• 随机森林模型表现出最高的性能,测试队列的曲线下的面积 (AUC) 为0.82,外部验证队列为0.73.
• 沙普利的附加性解释被用于最佳表现模型的模型可解释性.

结论:

• 机器学习模型,特别是Random Forest,可以有效地识别患有严重创伤的患者,患有术后创伤诱导凝血病 (TIC) 的高风险.
• 开发的模型显示了增强临床决策和改善创伤患者手术后凝血问题的管理策略的潜力.
• 需要进一步的前性研究来验证这些发现在不同的临床环境中.