一个机器学习模型用于预测创伤患者低温的概率:一个多中心回顾性队列研究
Guang Zhang1, YiJing Fu1,2,3, Jing Yuan1
1Systems Engineering Institute, Academy of Military Sciences, People's Liberation Army, Tianjin, 300161 China.
Biomedical engineering letters
|September 8, 2025
概括
这项研究开发了一种机器学习系统,使用非侵入性数据预测创伤患者的低温症. 该系统显示了早期检测的潜力,改善了患者的治疗结果并降低了死亡风险.
科学领域:
- 临界护理医学 临界护理医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 低温是创伤患者死亡的一个关键因素,通常是"致命三位一体"的一部分.
- 低温症的早期检测和预测对于改善创伤护理中患者存活率至关重要.
研究的目的:
- 开发和评估一个动态的早期预警系统,用于在一小时内预测创伤患者的低温.
- 评估仅使用非侵入性特征用于低温预测的疗效.
主要方法:
- 基于来自eICU数据库的462名创伤患者的数据,利用机器学习模型.
- 利用五种经典机器学习方法提取了19个非侵入性和17个侵入性特征.
- 使用多中心数据验证模型,并通过SHAP和废弃实验分析可解释性.
主要成果:
- 基于非侵入性特征的最佳模型在测试组中实现了0.838的AUC.
- 跨医院验证显示,非侵入性模型的AUC (0.015) 略有下降.
- 结合顶部侵入性特征,AUC提高了0.010,但仅非侵入性特征就显示出显著的预测能力.
结论:
- 机器学习模型可以有效地预测创伤患者的低温症,仅使用非侵入性特征.
- 开发的动态预警系统显示了创伤护理实时临床应用的前景.
- 非侵入性监测为低温预测提供了一种可行且潜在的不那么繁的方法.
