Previsione della mortalità ospedaliera nei pazienti con lesioni traumatiche: confronto tra diversi SMOTE

BMC Medical Research Methodology volume 23, numero articolo: 101 (2023) Citare questo articolo

1026 accessi

1 Citazioni

1 Altmetrico

Dettagli sulle metriche

Il trauma è uno dei problemi di salute pubblica più critici a livello mondiale, poiché porta alla morte e alla disabilità e colpisce tutte le fasce di età. Pertanto, vi è un grande interesse per i modelli per la previsione della mortalità nei pazienti traumatizzati ricoverati in terapia intensiva. L'obiettivo principale del presente studio è sviluppare e valutare strumenti di apprendimento automatico basati su SMOTE per prevedere la mortalità ospedaliera nei pazienti traumatizzati con dati sbilanciati.

Questo studio di coorte retrospettivo è stato condotto su 126 pazienti traumatizzati ricoverati in un'unità di terapia intensiva presso l'ospedale di Besat nella provincia di Hamadan, nell'Iran occidentale, da marzo 2020 a marzo 2021. I dati sono stati estratti dalle cartelle cliniche dei pazienti. In base alla proprietà sbilanciata dei dati, le tecniche SMOTE, vale a dire SMOTE, Borderline-SMOTE1, Borderline-SMOTE2, SMOTE-NC e SVM-SMOTE, sono state utilizzate per la preelaborazione primaria. Quindi, sono stati utilizzati i metodi Decision Tree (DT), Random Forest (RF), Naive Bayes (NB), Artificial Neural Network (ANN), Support Vector Machine (SVM) ed Extreme Gradient Boosting (XGBoost) per prevedere l'ospedale dei pazienti mortalità con lesioni traumatiche. La prestazione dei metodi utilizzati è stata valutata in base a sensibilità, specificità, valore predittivo positivo (PPV), valore predittivo negativo (NPV), accuratezza, area sotto la curva (AUC), media geometrica (medie G), punteggio F1 e P -valore del test di McNemar.

Dei 126 pazienti ricoverati in terapia intensiva, 117 (92,9%) sono sopravvissuti e 9 (7,1%) sono morti. Il tempo medio di follow-up dalla data del trauma alla data dell'esito è stato di 3,98 ± 4,65 giorni. Le prestazioni degli algoritmi ML non sono buone con dati sbilanciati, mentre le prestazioni degli algoritmi ML basati su SMOTE sono notevolmente migliorate. L'area media sotto la curva ROC (AUC) di tutti i modelli basati su SMOTE era superiore al 91%. Il punteggio F1 e le medie G prima del bilanciamento del set di dati erano inferiori al 70% per tutti i modelli ML tranne ANN. Al contrario, il punteggio F1 e le medie G per i set di dati bilanciati hanno raggiunto oltre il 90% per tutti i modelli basati su SMOTE. Tra tutti i metodi ML basati su SMOTE, RF e ANN basati su SMOTE e XGBoost basato su SMOTE-NC hanno ottenuto il valore più alto per tutti i criteri di valutazione.

Questo studio ha dimostrato che gli algoritmi ML basati su SMOTE prevedono meglio gli esiti nelle lesioni traumatiche rispetto agli algoritmi ML. Hanno il potenziale per assistere i medici di terapia intensiva nel prendere decisioni cliniche.

Rapporti di revisione tra pari

Il trauma è uno dei problemi di salute pubblica più critici al mondo, poiché porta alla morte e alla disabilità e colpisce tutte le fasce di età [1]. Le lesioni traumatiche rappresentano la principale causa di mortalità nei primi quattro decenni di vita [2]. I traumi causano 4,4 milioni di morti ogni anno e rappresentano quasi l’8% di tutti i decessi in tutto il mondo [1, 3]. A questo proposito, è importante trovare soluzioni per ridurre l’impatto delle lesioni traumatiche e il numero di decessi derivanti da traumi. Ad esempio, migliorare la capacità di prevedere l'esito di un paziente traumatizzato con un elevato grado di precisione e identificare fattori importanti che influenzano l'esito del paziente può aiutare i team di traumatologia medica nei loro rapidi sforzi per curare i pazienti traumatizzati.

Molti studi precedenti hanno utilizzato metodi tradizionali come i modelli logistici e di regressione di Poisson per identificare i fattori che influenzano le lesioni traumatiche [4,5,6]. Numerosi studi hanno utilizzato come uno dei modelli più comuni anche il Trauma and Injury Severity Score (TRISS), che si basa sulla regressione logistica (LR) e utilizza una piccola coorte di un singolo centro per prevedere la probabilità di sopravvivenza dei pazienti con trauma lesioni [7]. Tuttavia, il TRISS e le sue varie modifiche sono strumenti basati sull’evidenza e i risultati di alcuni studi indicano che potrebbero fuorviare i medici classificando erroneamente le condizioni del paziente [8]. Tuttavia, entrambe le categorie di modelli hanno funzionato male quando erano presenti collinearità, eteroschedasticità, interazioni di ordine superiore e relazioni non lineari tra le variabili [9,10,11]. Pertanto, sono necessari strumenti prognostici più preziosi e accurati che non si limitino a questi presupposti per ottenere risultati migliori per i pazienti e utilizzare al meglio le risorse.