本研究结果表明,与接受静脉血栓栓塞(VTE)预防患者相比,未接受VTE预防的TBI 患者死亡率增加。
图1. 研究方法概述
表1.LR和ANN的预测性能
表2. TBI-MV患者住院死亡率的独立危险因素
图2. LR预测模型中相关预测因子的重要性程度
图3. ANN预测模型中相关预测因子的重要性程度
述评:
既往已有较多的研究利用人工智能(artificial intelligence,AI)预测患者生存率,识别与死亡风险相关的高危因素,具体到脑外伤这一可能导致严重预后不良与高致死致残率的疾病,Rau 等利用年龄、性别、GCS、生命体征、合并症等设计机器学习模型预测中重度 TBI 后死亡率,比较不同AI模型性能,结果显示ANN 效果最佳,AUROC 为 96.8 %,准确性为 92%,敏感性为 84.4%,特异性为92.8%。而本研究旨在引入一种机器学习模型,预测中重度TBI- MV患者的死亡率,结果表明基于机器学习的LR对TBI-MV患者预后具有良好的预测性能;而VTE预防、使用简短损伤评分监测TBI严重程度、TBI诊断、输血需求、转入急诊时患者的心率和年龄是TBI-MV患者死亡率的重要预测因素,有助于未来将机器学习方法整合到创伤病历系统中,以提供即时的临床决策支持。不过该研究同样具有一定的局限性,如采用的是样本量仍较小的回顾性分析数据,此外该研究仅仅比较了LR及ANN模型的预测性能,因此未来仍有待于样本量的进一步扩大等措施以进一步提升预测性能,以在辅助临床决策中发挥更大价值。
原文链接:
Abujaber A, Fadlalla A, Gammoh D, et al. Prediction of in-hospital mortality in patients on mechanical ventilation post traumatic brain injury: machine learning approach. BMC Med Inform Decis Mak. 2020 Dec 14;20(1):336.
不感兴趣
看过了
取消
人点赞
人收藏
打赏
不感兴趣
看过了
取消
您已认证成功,可享专属会员优惠,买1年送3个月!
开通会员,资料、课程、直播、报告等海量内容免费看!
打赏金额
认可我就打赏我~
1元 5元 10元 20元 50元 其它打赏作者
认可我就打赏我~
扫描二维码
立即打赏给Ta吧!
温馨提示:仅支持微信支付!
已收到您的咨询诉求 我们会尽快联系您