用于急诊科创伤患者结局预测的机器智能方法

创伤死亡率由众多非线性依赖的风险因素导致，包括患者人口统计学特征、损伤特征、所提供的医疗护理以及医疗机构的特征；然而传统方法试图使用刚性回归模型来捕捉这些关系。我们假设，基于迁移学习的机器学习算法能够深入理解创伤患者的状况，并在不依赖限制性回归模型标准的情况下准确识别高死亡风险个体。匿名患者就诊数据取自国家创伤数据库（National Trauma Data Bank）2007至2014年。生命体征不完整、结局未知或人口统计学数据缺失的患者被排除。所有患者就诊均发生于美国医院，在回顾性检查的2,007,485次就诊中，8,198例导致死亡（0.4%）。该机器智能模型在其灵敏度、特异度、阳性与阴性预测值以及马修斯相关系数上进行了评估。我们的模型在年龄分层的比较模型中取得了相似性能，并在同时应用于所有年龄时泛化良好。在检验混杂因素时，我们发现排除跌倒相关损伤提升了成年创伤患者的性能；然而，它降低了儿童患者的性能。此处描述的机器智能模型在不要求限制性回归模型标准或广泛医学专业知识的情况下，展现出与当代机器智能模型相似的性能。