基于机器学习的创伤伤员检伤分类预测模型构建及验证

摘要

背景 创伤现场批量伤员的检伤分类是现场急救中的关键环节，探索如何更加高效准确地对伤员进行检伤分类具有重要意义。目的 基于生命体征数据和机器学习算法建立并验证创伤伤员检伤分类预测模型。方法 回顾性分析美国创伤数据库2017—2019年的院前急救创伤伤员数据，采用支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、梯度提升决策树(gradient boosting decision tree,GBDT)、极端梯度提升(eXtreme gradient boosting,XGBoost)和多层感知机(multi-layer perceptron,MLP) 5种机器学习算法开发创伤伤员检伤分类预测模型并验证。采用准确率、精准度、召回率、F1值和AUC值(ROC曲线下面积)进行结果评价，使用ROC曲线进行可视化，并在解放军总医院第一医学中心急诊创伤数据集中对最优模型结果进行验证。结果 共选取伤员数据24 948例，基于ISS分级标准分为轻伤9 496例，中等伤9 532例，重伤5 496例，危重伤424例。ROC曲线分析显示，相较于其他四种模型，GBDT算法预测上述ISS分级的效能最好，准确率为82.63%，精确度为68.21%，召回率为60.92%,F1值为61.91%,AUC为90.38%。在解放军总医院第一医学中心急诊创伤数据集中验证GBDT模型，准确率为83.15%，精确度为77.38%，召回率为59.89%,F1值为55.26%,AUC为90.38%。结论 本研究成功开发并验证了一组检伤分类机器学习预测模型，未来可应用于创伤伤员现场检伤分类辅助决策。

关键词

创伤 / 机器学习 / 检伤分类 / 预测模型 / 急救医学

基金资助

军队课题(20224282077)