使用监督机器学习预测创伤性脑损伤患者的死亡率与功能状态评分
机器学习
2024-10-29 v1
摘要
创伤性脑损伤（TBI）构成了重大的公共卫生挑战，常导致死亡或长期残疾。预测死亡率与功能状态量表（FSS）评分等结果有助于改进治疗策略并为临床决策提供依据。本研究应用监督机器学习（ML）方法，利用来自科罗拉多大学医学院的 300 名儿科 TBI 患者的真实世界数据集来预测死亡率和 FSS 评分。该数据集包含了人口统计学、损伤机制和住院结果等临床特征。我们评估了 18 个 ML 模型用于死亡率预测，并评估了 13 个模型用于 FSS 评分预测。使用准确率、ROC AUC、F1 分数和均方误差来衡量性能。逻辑回归和 Extra Trees 模型在死亡率预测中实现了高精度，而线性回归在 FSS 评分预测中表现最佳。特征选择将 103 个临床变量缩减至最相关的变量，从而提高了模型的效率和可解释性。本研究突出了 ML 模型在识别高危患者和支持个性化干预中的作用，展示了数据驱动分析改善 TBI 护理并融入临床工作流的潜力。
引用
@article{arxiv.2410.20300,
title = {Predicting Mortality and Functional Status Scores of Traumatic Brain Injury Patients using Supervised Machine Learning},
author = {Lucas Steinmetz and Shivam Maheshwari and Garik Kazanjian and Abigail Loyson and Tyler Alexander and Venkat Margapuri and C. Nataraj},
journal= {arXiv preprint arXiv:2410.20300},
year = {2024}
}