机器学习模型预测严重创伤性脑损伤患者的维持生命治疗的退出
Michael Cobler-Lichter1, Jessica M Delamater1, Fernanda J P Teixeira2
1Division of Trauma & Surgical Critical Care, DeWitt Daughtry Family Department of Surgery, Ryder Trauma Center, University of Miami Miller School of Medicine, FL.
Neurology
|October 10, 2025
概括
机器学习模型准确地预测了创伤性脑损伤 (TBI) 患者的维持生命治疗 (WLST) 停止. 设施WLST率显著影响决策,独立于临床因素,突出需要精细的预后工具.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 创伤外科 手术 创伤外科
背景情况:
- 终止维持生命治疗 (WLST) 占创伤性脑损伤 (TBI) 死亡的一半以上.
- 尽管TBI死亡率有所改善,但WLST率保持不变,这表明潜在的预后误解.
- 对于WLST的决策是复杂的,受临床预后之外的因素的影响,导致中心间的变化.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于预测严重TBI患者的WLST决策.
- 为了确定影响WLST决策的关键决定因素,假设设施WLST率作为一个重要因素.
主要方法:
- 使用美国外科医生学院创伤质量改善项目国家创伤数据库 (2017-2021) 的观察性研究.
- 包括严重的TBI患者 (缩写伤害尺度-头部≥1,格拉斯哥昏迷尺度<9).
- 开发了ML模型来预测WLST,优化接收器操作曲线 (AUROC) 下的面积,并使用Shapley值评估决定性影响.
主要成果:
- 在155,639名严重TBI患者中,20.8%接受了WLST.
- ML模型实现了高预测准确度,AUROC从入院时的0.875提高到总停留时间的0.896.
- 对于WLST的关键预测因素包括年龄,最高的急救部门GCS和设施WLST率.
结论:
- ML模型可靠地预测严重TBI中的WLST决策.
- 机构撤款文化,以设施WLST率来表示,是一个强大的独立预测指标.
- 完善预测工具至关重要,以减轻偏见,并防止受到机构实践影响的过早WLST决策.
更多相关视频
09:49Assessing Changes in Synaptic Plasticity Using an Awake Closed-Head Injury Model of Mild Traumatic Brain Injury
Published on: January 20, 2023
3.6K
08:27Development of an Uncomplicated Mild Traumatic Brain Injury Model Modified by Weight-Drop Method and Evidenced by Magnetic Resonance Imaging
Published on: April 11, 2025
903
