随机森林机器学习与创伤严重程度评分中的人类专家准确度相匹配

科学领域:

• 创伤护理和研究
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 准确的缩写伤害量表 (AIS) 和伤害严重程度评分 (ISS) 对创伤护理和研究至关重要.
• 在创伤登记册中手动评分通常会导致由于遗漏而导致不完整的数据.
• 混合电子医疗登记 (HEMR) 被一级创伤服务用于记录AIS和ISS.

研究的目的:

• 评估机器学习算法在预测缺失的AIS和ISS分数方面的性能.
• 评估ML驱动数据归算对创伤登记册完整性的影响.
• 为了确定ML预测是否保持与人类得分可比的临床准确性.

主要方法:

• 分析了来自HEMR的21,704名创伤患者记录.
• 应用四个机器学习 (ML) 算法来预测每个身体区域缺失的AIS分数.
• 从预测的AIS分数和使用R2,RMSE,MAE,灵敏度,特异性和Cohen的kappa的性能评估中数学推导ISS.

主要成果:

• 随机森林模型表现出高准确度,R2=0.847,MAE=1.87,Cohen的kappa=0.893. 这两种模型都具有很高的准确度.
• 高严重病例的敏感度为87.1%,低严重病例的特异性为100.0%.
• 创伤登记数据的完整性从75.3%显著提高到88.3%,恢复了2815个缺失的分数.

结论:

• 随机森林ML算法可靠地预测缺失的AIS和ISS分数.
• 使用ML显著提高创伤登记数据的完整性.
• ML预测实现了与人类专家评分相当的临床准确性,这对于创伤研究和护理至关重要.