机器学习算法预测儿童颅颌面创伤手术需求：一项基于国家创伤数据库的回顾性研究

《International Journal of Oral and Maxillofacial Surgery》：Performance of machine learning algorithms in predicting the need for surgical fixation in pediatric craniomaxillofacial trauma

本研究首次将机器学习（ML）应用于预测儿童颅颌面（CMF）创伤的手术固定需求。通过分析国家创伤数据银行（NTDB）大数据，发现XGBoost模型预测性能最优（ROC-AUC 0.89），SHAP分析揭示面部损伤严重程度、下颌骨骨折等是关键预测因子。研究为儿童CMF创伤的精准分诊提供了数据驱动新范式。

　　

研究亮点

本研究首次将机器学习（ML）应用于预测儿童颅颌面（CMF）创伤的手术固定需求，并识别其临床预测因子。尽管先前的研究主要关注骨骼骨折模式作为手术管理的关键决定因素^{1, 2, 3, 4}，但本分析通过纳入大量神经、牙科和机构变量扩展了该领域。这种多维方法为理解影响儿童面部创伤手术决策的预测因素提供了更全面的视角。

讨论

这项研究代表了机器学习在预测儿童颅颌面创伤手术固定和识别临床预测因子方面的首次应用。与主要关注骨骼骨折模式作为手术管理关键决定因素的先前研究不同，本分析通过纳入大量神经、牙科和机构变量扩展了该领域。这种多维方法为理解儿童面部创伤手术决策的预测因素提供了更全面的视角。

结论

基于大规模国家创伤数据库，本研究成功开发并验证了用于预测儿童颅颌面创伤患者手术固定需求的机器学习模型。XGBoost算法表现出卓越的预测性能。模型的可解释性分析揭示了与临床优先事项一致的关键预测特征，例如恢复咬合和稳定面部骨骼。研究结果凸显了机器学习在利用就诊时可获得的结构化数据进行早期手术候选人识别的潜力，并强调了需要多模态方法来进一步提高分诊准确性。