机器学习模型预测急诊室中创伤性脑损伤患者的凝血病
Haoyu Wang1, Wenying Cao2, Jianhuang Huang3
1Department of Neurosurgery, Chongqing Ninth People's Hospital, Chongqing, China.
Frontiers in neurology
|October 6, 2025
概括
机器学习准确地预测了创伤性脑损伤 (TBI) 患者的凝血病. 开发的模型可以识别高风险的个人进行早期干预,改善紧急情况的结果.
科学领域:
- 紧急医疗 紧急医疗
- 计算生物学 计算生物学
- 临床诊断 临床诊断 临床诊断
背景情况:
- 创伤性脑损伤 (TBI) 是一种严重的疾病,死亡率很高.
- 凝血病在15-35%的病例中复杂化TBI,增加二次脑损伤和死亡的风险.
- 早期检测凝血病是对TBI患者及时干预至关重要的.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测急诊室TBI患者的凝血病.
- 确定TBI中凝血病的关键临床和实验室预测因素.
- 将ML模型的性能与传统的凝血试验进行比较.
主要方法:
- 利用了322名TBI患者 (2018-2024) 的回顾性数据.
- 收集的临床数据 (例如,GCS分数) 和实验室结果 (例如,血液细胞计数,肝功能).
- 采用R用于数据预处理,SMOTE用于失衡,特征选择和随机森林 (RF) 算法用于预测,通过SHAP分析验证.
主要成果:
- 射频模型表现出高性能 (AUC=0.92,回忆=0.94,假阴性率=6%),超过了标准的凝血测试.
- 关键预测因素包括中性粒细胞百分比,A/G比和ALT,表明炎症和肝功能的作用.
- SHAP分析为模型的预测提供了可解释性.
结论:
- 开发的ML模型为TBI患者的快速凝血病风险分层提供了可靠的工具.
- 通过这种模型的早期识别有助于及时进行治疗干预,可能降低死亡率.
- 建议进行多中心验证,以确认可通用性和临床实用性.
