机器学习（ML）算法用于预测埃塞俄比亚西北部重症监护病房（ICU）收治的创伤患者的死亡率

《Nursing in Critical Care》：Machine Learning (ML) Algorithm to Predict Mortality of Trauma Patients Admitted to the Intensive Care Units (ICU) in Northwest Ethiopia

创伤患者死亡率预测的机器学习模型研究：采用KTS II和RTS评分，613例患者数据训练7种模型，随机森林表现最优（准确率95%，AUC 0.98），证实机器学习在ICU资源分配和风险分层中的应用价值。

　　

摘要

背景

预测创伤患者的死亡率是一项关键任务，它能够指导临床决策、改善重症监护病房（ICU）的管理和资源分配。机器学习在临床实践中的应用日益增多，以有效预测危重患者的死亡率。

目的

本研究旨在开发并评估用于预测创伤患者死亡率的机器学习模型。

研究设计与方法

本研究采用多中心横断面研究方法。数据来自2020年1月1日至2021年12月30日期间入住埃塞俄比亚西北部综合性专科医院ICU的613名创伤患者。每位患者入院时均进行了坎帕拉创伤评分（KTS II）和修订后的创伤评分（RTS）的测定，这些评分的范围分别为5至10分和0至7.84分，评分越低表示创伤越严重，死亡风险越高。预处理、特征选择和模型训练使用的是Python 3.12版本。研究开发了七种机器学习（ML）模型，包括决策树（DT）、随机森林（RF）、朴素贝叶斯（NB）、K近邻（KNN）、逻辑回归（LR）、支持向量机（SVM）和极端梯度提升（XGBoost），用于预测患者出院时的死亡率。数据集被分为训练集（80%）和测试集（20%），并采用了10折交叉验证技术来提高模型性能。模型预测准确性通过混淆矩阵相关指标进行评估，如敏感性、特异性、精确度和接收者操作特征曲线（ROC）。

结果

在入住ICU的613名创伤患者中，有248人（40.5%）死亡。在所有纳入的变量中，坎帕拉创伤评分（KTS II）、格拉斯哥昏迷量表（GCS）评分以及并发症的存在是预测创伤患者死亡率最可靠的指标。研究发现，随机森林（RF）算法的表现优于其他机器学习算法，其准确率为95%，敏感性为96%，精确率为93%，F1分数为94%，接收者操作特征曲线（ROC）分数为99%。此外，支持向量机（SVM）和XGBoost的表现也非常出色，AUC分数分别为0.98和0.97。

结论

研究发现，随机森林（RF）是预测创伤患者死亡率表现最佳的机器学习模型。这是埃塞俄比亚首个专门为创伤患者死亡率预测开发的机器学习模型。应用机器学习算法有助于对死亡风险进行分层，实现基于证据的干预并最大化资源利用。因此，需要在独立的前瞻性研究数据上进行进一步的外部验证，以评估该模型在临床实践中的普遍适用性。

对临床实践的意义

本研究对临床实践具有重大价值，它增强了决策支持，能够早期识别高风险患者，并支持主动监测和及时干预。将机器学习应用于死亡率预测尤其具有影响力，因为它促进了远程监控和远程医疗的发展，有助于弥补医疗资源分配的不足。此外，它还能通过以患者为中心的数据优化治疗策略，为卫生规划和水资源分配提供依据，支持个性化护理，并推动数据驱动的研究和政策制定。

利益冲突

作者声明没有利益冲突。