增强创伤护理:基于机器学习的光电图分析,用于估计出血和复苏期间的血液体积

科学领域:

• 生物医学工程
• 医学中的机器学习
• 创伤护理技术

背景情况:

• 在创伤中导致可预防死亡的主要原因是出血.
• 补偿机制可以掩盖出血性休克, 延迟关键干预.
• 精确估计失血对于有效的创伤管理至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型来预测百分比估计的血液损失 (PEBL).
• 在PEBL估计中使用非侵入性光聚体图形 (PPG) 波形.
• 提供现场部署的解决方案,用于在医院前和紧急医疗中快速检测出血.

主要方法:

• 在猪出血和复苏研究中收集PPG波形数据.
• 调整并优化各种ML模型架构和预测窗口长度.
• 对模型训练的不同数据规范化方法进行了评估.

主要成果:

• ML模型成功预测了猪体内的PEBL.
• 在PEBL预测中达到超过0.8的确定值系数.
• 从非侵入性PPG信号中证明PEBL的准确导出.

结论:

• 使用非侵入性PPG波形和ML可以准确估计PEBL.
• 这种方法为改善创伤护理和伤亡分类提供了有希望的工具.
• 非侵入性,可在现场部署的解决方案可以加强紧急医疗的决策.