在创伤性脑损伤的跨学科密集门诊计划期间,使用机器学习预测临床显著的改善
Rujirutana Srikanchana1, David Samuel2, Jacob Powell2
1National Intrepid Center of Excellence (NICoE), Walter Reed National Military Medical Center, Bethesda, MD, USA. rujirutana.srikanchana.civ@health.mil.
Annals of biomedical engineering
|September 23, 2025
概括
机器学习模型可以预测创伤性脑损伤 (TBI) 治疗后患者的改善情况. 创伤后压力症状的严重程度是密集门诊计划 (IOP) 成功结果的关键预测因素.
科学领域:
- 神经科学是一个神经科学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 创伤性脑损伤 (TBI) 对现役服务人员构成重大挑战.
- 跨学科密集门诊计划 (IOP) 用于TBI康复.
- 预测治疗成功对于优化患者护理和资源配置至关重要.
研究的目的:
- 评估机器学习 (ML) 模型,以预测临床显著的患者改善.
- 在TBI的IOP中确定与治疗成功相关的关键因素.
- 评估ML在TBI护理的精密医学中的实用性.
主要方法:
- 在790名现役服役人员的数据上使用了极端梯度增强 (XGBoost) 模型.
- 包括人口统计,创伤后压力,抑郁,焦虑,脑震荡后和睡眠措施.
- 使用总自我报告得分与症状集群得分进行比较的模型.
主要成果:
- 结合症状集群的模型实现了更高的预测准确度 (79%AUC,72%准确度),而不是总得分的模型 (75%AUC,68%准确度).
- 顶级预测因素包括创伤后应激激发,避免和重新体验子分数,教育和认知性脑震荡后子分数.
- 入院时创伤后压力症状的严重程度是改善的主要预测因素.
结论:
- XGBoost模型有效地预测了经过IOP的TBI患者的临床显著改善.
- 将ML纳入临床实践为预测治疗疗效提供了一种精准医学方法.
- 准确预测治疗结果可以提高医疗保健资源分配和患者的治疗结果.
