为紧急多创伤患者开发和临床应用基于机器学习的自动化妄风险预测模型
Zhenyi Liu1, Yihao Huang2, Long Li1
1Department of Emergency and Critical Care Medicine, The 945th Hospital of the Joint Logistics Support Force of the Chinese People's Liberation Army, Ya'an, Sichuan, China.
Frontiers in physiology
|July 29, 2025
概括
这项研究引入了一个可解释的机器学习模型,用于预测紧急多创伤患者的妄想. 该模型使用创伤特异性生物标志物和临床数据准确识别高风险个体,改善早期检测.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 创伤外科 手术 创伤外科
背景情况:
- 传统的妄想预测模型在紧急多创伤护理方面面临局限性.
- 早期和准确的妄想风险分层对于改善创伤环境中的患者结果至关重要.
研究的目的:
- 开发一种可解释的机器学习 (ML) 框架,用于紧急多创伤患者的妄想风险分层.
- 将创伤特定的生物标志物和先进的优化算法纳入ML模型.
- 在这个脆弱的患者群体中提高妄想预测的准确性和临床实用性.
主要方法:
- 在956名多创伤患者的多中心回顾性观察队列研究中.
- 在自动机器学习 (AutoML) 框架中使用了改进的洪水算法 (IFLA) 来进行特征选择和超参数优化.
- 与传统算法对比的基准模型性能,并使用了SHapley添加式扩展 (SHAP) 进行解释.
主要成果:
- 自动ML模型实现了高性能 (ROC-AUC 0.8929,PR-AUC 0.8487在测试组),明显优于其他模型.
- 确定了关键预测因素:格拉斯哥昏迷量表 (GCS) 评分,乳酸水平,临床脆弱性量表 (CFS),体重指数 (BMI) 和纤维素降解产物 (FDP).
- 开发了一种临床决策支持系统 (CDSS),证明了其实用性.
结论:
- 开发的ML框架提供了一个创伤特定的,可解释的工具,用于在紧急多创伤中早期识别妄想风险.
- 整合GCS评分和动态生物标志物监测可以提高预测能力.
- 该框架显示了临床工作流集成的可行性,以提高创伤护理质量.
