机器学习的应用,以预测和识别与外伤性外周膜外血瘤手术需要相关的因素
Iran Chanideh1, Masoud Ghadiri1, Tahereh Mohammadi Majd1
1Clinical Research Development Center, Taleghani and Imam Ali Hospital, Kermanshah University of Medical Sciences, Kermanshah, Iran.
Journal of injury & violence research
|October 29, 2025
概括
机器学习模型和名录图准确地预测了创伤性外围膜内血瘤 (tEDH) 手术干预的必要性. 这种工具有助于外科医生做出更快,更明智的决策,以获得更好的患者结果.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 创伤性外周血瘤 (tEDH) 需要及时的手术干预以获得最佳的结果.
- 在tEDH中确定手术预测因子对于临床决策至关重要.
研究的目的:
- 使用机器学习识别tEDH手术干预的预测因素.
- 开发一个名录来支持TEDH管理中的临床决策.
主要方法:
- 追溯分析147名tEDH患者的数据 (人口统计,临床,CT扫描).
- 开发四种机器学习模型 (LR,SVM,NB,NN) 来预测外科手术需要.
- 利用随机森林用于预测器识别,并构建了一个基于LR的名录.
主要成果:
- 最初的血瘤体积 (AUC 0.92) 和格拉斯哥昏迷表 (GCS) 评分 (AUC 0.76) 是显著的预测因素.
- 支持矢量机 (SVM) 模型实现了0.96的最高AUC,灵敏度和特异性>90%.
- 为个性化风险评估,开发了一个名图表.
结论:
- 集成的机器学习和名ogram提供了一个精确的,用户友好的工具,用于快速的tEDH手术决策.
- 这种方法可以通过启用知情的临床决策来潜在地减少并发症.
- 有助于更快地识别高风险患者进行手术.


