Jornal de Biomecânica Forense

Abstrato

Métodos de aprendizagem automática para prever a sobrevivência em doentes após lesão traumática da aorta

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

O National Trauma Data Bank (NTDB) é um recurso de informação sobre diagnóstico, tratamento e resultados em doentes traumatizados. Aproveitámos o NTDB e as técnicas de aprendizagem automática para prever a sobrevivência após lesão traumática da aorta. Criámos dois modelos preditivos utilizando o NTDB – 1) utilizando todos os dados e, 2) utilizando apenas os dados disponíveis na primeira hora após a chegada (dados prospetivos). Foram testados sete tipos de modelos discriminativos antes e depois da engenharia de características para reduzir a dimensionalidade. O modelo com melhor desempenho foi o XG Boost, conseguindo uma precisão global de 0,893 utilizando todos os dados e 0,855 utilizando dados prospetivos. A engenharia de características melhorou o desempenho de todos os modelos. A pontuação na Escala de Coma de Glasgow foi o fator mais importante para a sobrevivência, e a reparação endovascular da aorta torácica foi mais comum nos doentes que sobreviveram. O tabagismo, a pneumonia e a infeção do trato urinário previram baixa sobrevivência. Observámos também disparidades preocupantes nos resultados para os doentes negros e sem seguro, que podem refletir diferenças nos cuidados.