机器学习 (ML) 算法预测了埃塞俄比亚西北部重症监护室 (ICU) 住院的创伤患者的死亡率

科学领域:

• 医疗信息学 医疗信息学
• 临床决策支持系统 临床决策支持系统
• 医疗保健中的机器学习

背景情况:

• 预测创伤患者的死亡率对于重症监护室 (ICU) 管理和资源分配至关重要.
• 机器学习 (ML) 为预测重症患者的死亡率提供了先进的能力.

研究的目的:

• 开发和评估用于预测创伤患者死亡率的机器学习模型.
• 为此预测任务确定最有效的ML算法.

主要方法:

• 一项涉及613名创伤患者的多中心,横截面研究,这些患者被送往埃塞俄比亚西北部的重症监护室.
• 开发和评估了7个ML模型 (包括随机森林,SVM,XGBoost),使用了10倍交叉验证方法.
• 模型性能使用准确度,灵敏度,特异性,精度和ROC曲线等指标进行评估.

主要成果:

• 随机森林 (RF) 模型表现出卓越的性能,达到95%的准确性,96%的灵敏度和99%的ROC得分.
• 死亡率的关键预测因素包括坎帕拉创伤评分 (KTS II),格拉斯哥昏迷评分 (GCS) 和并发症的存在.
• 支持矢量机 (SVM) 和XGBoost也表现出强大的预测能力,具有高AUC分数.

结论:

• 随机森林模型在预测埃塞俄比亚背景下的创伤患者死亡率方面非常有效.
• 这种ML方法可以增强临床决策,分层死亡风险,并优化ICU的资源利用.
• 建议进行进一步的外部验证,以评估开发的模型的通用适用性.