机器学习算法的性能在预测在儿科关口腔面部创伤手术固定的需要
B Thornton1, K Patel2, B Ma2
1School of Dentistry, University of Alabama at Birmingham, Birmingham, AL, USA.
International journal of oral and maxillofacial surgery
|October 19, 2025
概括
机器学习可以预测儿科面部骨折的外科手术需求,提高分拣准确度. 使用创伤数据,XGBoost模型准确地识别了需要开放性手术固定的患者.
科学领域:
- 创伤外科 手术 创伤外科
- 机器学习在医学中的应用
- 儿科 头骨,大,脸部外科 手术
背景情况:
- 对于儿科头大脸部创伤的手术分类缺乏标准化标准,严重依赖临床判断.
- 准确预测手术干预对于及时有效的患者管理至关重要.
研究的目的:
- 评估机器学习算法,预测儿童面部骨折需要开放的手术固定.
- 用结构化创伤数据识别手术干预的关键预测因素.
主要方法:
- 国家创伤数据库 (2017-2022) 的回顾性分析.
- 多个机器学习模型的比较,包括XGBoost,用于预测性能 (ROC-AUC).
- 在特征重要性分析中应用SHAP (沙普利添加式解释).
主要成果:
- XGBoost实现了高预测准确度 (ROC-AUC 0.89),优于其他模型.
- 面部损伤的严重程度,下骨折和骨折的多重性是开放手术固定的重要预测因素.
- 关闭的头骨基骨折和头部损伤严重程度降低了预测手术的可能性.
结论:
- 机器学习模型可以有效地支持使用现有数据对儿科关口腔面部创伤的早期手术分拣.
- 模型表现突出了标准化决策和改善患者治疗结果的潜力.
- 需要进一步精细化多式联运数据,以提高分拣准确性和解决预测差异.
