深度学习模型概括用于预测创伤性脑损伤患者的14天死亡率

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 公共卫生 公共卫生

背景情况:

• 创伤性脑损伤 (TBI) 是一个主要的全球健康问题,其结果因区域医疗保健和基础设施的不同而有所不同.
• 在一个国家的各种医疗保健机构中评估预测模型对于公平的TBI护理至关重要.

研究的目的:

• 评估用于TBI预测的机器学习模型的性能和通用性,使用来自巴西两个不同的地区的数据集:马纳乌斯和圣保罗.
• 调查将特定区域变量纳入TBI预测准确性的影响.

主要方法:

• 使用了1D卷积神经网络 (CNN) 模型,具有17个预测变量.
• 对马纳乌斯 (孤立的城市中心) 和圣保罗 (主要城市中心) 的数据集进行模型性能比较.
• 评估了将特定上下文特征 (例如入院时间,流行病数据) 添加到马纳乌斯模型的效果.

主要成果:

• 美国有线电视新闻网的模型在圣保罗的ROC曲线下的面积 (AUC) 为0.90,在马纳乌斯的0.93.
• 一个在圣保罗接受培训的模型在应用于马纳乌斯数据集时表现不佳.
• 将本地和流行病相关的变量纳入,将马纳乌斯模型的AUC提高到0.98.

结论:

• 用于TBI预测的机器学习模型需要特定的环境数据,以在不同的医疗环境中实现最佳性能.
• 整合本地变量对于提高TBI预测模型的准确性和通用性至关重要,特别是在具有独特后勤挑战的地区.
• 这项研究强调了在将人工智能应用于医疗保健方面需要量身定制的方法,考虑到区域差异.