| 摘要: |
| 通过基于多模态数据的机器学习算法构建发生创伤性凝血病 (TIC) 进展预测模型，并评估其预测效能，为早期识别 TIC 进展高风险患者、及时干预提供依据。方法 采用便利抽样法，选取 2022 年 1 月至 2024 年 12 月入住首都医科大学附属北京积水潭医院创伤中心的 734 例创伤患者为研究对象。收集患者的人口统计学资料、临床检验指标、影像学数据、创伤严重程度评分 (ISS) 等多模态数据。运用 Python 3.8 软件中的 scikit-learn 库构建随机森林、支持向量机和神经网络 3 种机器学习预测模型，计算各模型的准确率、精确率、召回率、F1 值及 AUC。结果 单因素分析显示，收缩压、舒张压、血红蛋白 (Hb)、血小板计数 (PLT)、凝血酶原时间 (PT)、D - 二聚体、ISS、是否合并颅脑损伤、是否合并胸部损伤以及是否合并腹部损伤均与发生 TIC 进展相关 (均 P<0.05)。多因素 logistic 回归分析结果显示，舒张压、Hb、PLT、PT、D - 二聚体以及合并胸部损伤均是预测发生 TIC 进展的独立危险因素 (均 P<0.05)。随机森林、支持向量机与神经网络预测模型的 AUC 分别为 0.812、0.856 与 0.893。结论 构建的神经网络预测模型在预测发生 TIC 进展方面效能最优，能够有效预测创伤患者发生 TIC 进展的风险，有助于临床医务人员早期识别 TIC 高危患者，为及时干预提供决策支持。 |
| 关键词: |
| DOI： |
| 分类号: |
| 基金项目:北京市自然科学基金 - 大兴创新联合基金项目；北京市卫生系统高层次公共卫生技术人才建设项目 |
|
|
|
|
| Abstract: |
|
| Key words: |
