Revista de biomecánica forense

Abstracto

Métodos de aprendizaje automático para predecir la supervivencia de pacientes con lesión aórtica traumática

Nisreen Shiban, Henry Zhan, Nima Kokabi, Jamlik-Omari Johnson, Tarek Hanna, Justin Schrager, Judy Gichoya, Imon Banerjee, Hari Trivedi, Joshua Gaul, Andrew Elhabr

El Banco Nacional de Datos de Traumatismos (NTDB, por sus siglas en inglés) es un recurso de información de diagnóstico, tratamiento y resultados en pacientes con traumatismos. Aprovechamos el NTDB y las técnicas de aprendizaje automático para predecir la supervivencia después de una lesión aórtica traumática. Creamos dos modelos predictivos utilizando el NTDB: 1) utilizando todos los datos y 2) utilizando solo los datos disponibles en la primera hora después de la llegada (datos prospectivos). Se probaron siete tipos de modelos discriminativos antes y después de la ingeniería de características para reducir la dimensionalidad. El modelo de mayor rendimiento fue XG Boost, que logró una precisión general de 0,893 utilizando todos los datos y 0,855 utilizando datos prospectivos. La ingeniería de características mejoró el rendimiento de todos los modelos. La puntuación de la Escala de Coma de Glasgow fue el factor más importante para la supervivencia, y la reparación aórtica endovascular torácica fue más común en los pacientes que sobrevivieron. El tabaquismo, la neumonía y la infección del tracto urinario predijeron una supervivencia deficiente. También observamos disparidades preocupantes en los resultados para pacientes negros y sin seguro que pueden reflejar diferencias en la atención.