Zeitschrift für forensische Biomechanik

Abstrakt

Methoden des maschinellen Lernens zur Vorhersage des Überlebens von Patienten nach traumatischer Aortenverletzung

Nisreen Shiban, Henry Zhan, Nima Kokabi, Jamlik-Omari Johnson, Tarek Hanna, Justin Schrager, Judy Gichoya, Imon Banerjee, Hari Trivedi, Joshua Gaul, Andrew Elhabr

Die National Trauma Data Bank (NTDB) ist eine Quelle für Informationen zu Diagnose, Behandlung und Ergebnissen bei Traumapatienten. Wir nutzen die NTDB und maschinelle Lerntechniken, um das Überleben nach einer traumatischen Aortenverletzung vorherzusagen. Wir erstellen zwei Vorhersagemodelle mithilfe der NTDB: 1) unter Verwendung aller Daten und 2) unter Verwendung nur der Daten, die in der ersten Stunde nach der Ankunft verfügbar waren (prospektive Daten). Sieben diskriminative Modelltypen wurden vor und nach der Feature-Engineering-Verringerung getestet. Das Modell mit der besten Leistung war XG Boost, das eine Gesamtgenauigkeit von 0,893 unter Verwendung aller Daten und 0,855 unter Verwendung prospektiver Daten erreichte. Durch Feature-Engineering wurde die Leistung aller Modelle verbessert. Der Wert auf der Glasgow Coma Scale war der wichtigste Faktor für das Überleben, und eine thorakale endovaskuläre Aortenreparatur kam bei Patienten, die überlebten, häufiger vor. Rauchen, Lungenentzündung und Harnwegsinfektionen sagten eine schlechte Überlebensrate voraus. Wir stellen auch besorgniserregende Unterschiede bei den Ergebnissen für schwarze und nicht versicherte Patienten fest, die auf Unterschiede in der Versorgung zurückzuführen sein könnten.