基于机器学习的中重型颅脑损伤后24 h内急诊神经外科手术的预

这是一篇关于基于机器学习的中重型颅脑损伤后24 h内急诊神经外科手术的预的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

基于机器学习的中重型颅脑损伤后24 h内急诊神经外科手术的预测

• 题目
  • Machine learning-based prediction of emergency neurosurgery within 24 h after moderate to severe traumatic brain injury
• 摘要
  • 背景/目的
    • 创伤性脑损伤( traumatic brain injury，TBI )
    • 将需要急诊神经外科手术的 TBI 患者快速转诊到专门的创伤中心可以显著降低发病率和死亡率
    • 本研究旨在评估基于机器学习建立的模型的性能，以预测中重度TBI后24小时内是否需要进行神经外科手术
  • 方法
    • 这是一项回顾性、多中心、横断面诊断研究，旨在预测 TBI 后 24 小时内是否需要进行神经外科手术
    • 回顾性多中心队列研究使用2011年11月至2020年12月国家创伤登记处的数据
    • 纳入标准为院前评估时中重度TBI ( Glasgow昏迷评分≤12分)的18岁以上患者
    • 排除入院后第一个24小时内死亡和二次转运的患者
    • 将种群划分为训练集( 80 %的患者)和测试集( 20 %的患者)
    • 几种方法被用来定义最佳预后模型(线性最近邻或集成模型)
    • 这项工作最初考虑使用数据库中可用的所有 39 个院前变量
    • 运用夏普利值法( Shapley Value )找出最相关的院前变量进行预测
    • 数据集分为三个部分：推导集（训练集和验证集）和测试集
    • 推导集和测试集是根据时间分割组成的（推导集从15/11/2010到12/5/2019，测试集从13/5/2019到6/12/2020）
    • 根据 80/20 基于时间的划分，推导集再次分为训练集和验证集
    • 缺失值通过混合数据因子分析 (FAMD) 插补策略进行处理
  • 结果
    • 使用机器学习方法的初步分析表明，这些变量是有贡献的预测变量，但只有有限数量的变量被认为对于确保令人满意的模型性能很重要
    • 进行多次迭代以根据 Shapley 值选择并保留最相关的预测变量
    • 该过程提供了十五个院前预测因子
    • 共有2159例患者纳入研究
    • 914例( 42 % )患者需要在24 h内进行神经外科干预
    • 该人群以男性为主( 77 % )，年轻(中位年龄35岁[ IQR 24-52 ])，重度颅脑损伤(中位GCS 6分( 3 ~ 9分))
    • 基于预测模型在测试集上的评估，逻辑回归模型的AUC为0.76
    • 使用CatBoost技术获得了最佳的预测模型( AUC 0.81 )
    • 根据 Shapley 值法，CatBoost 中最具预测性的变量是较低的初始格拉斯哥昏迷评分、渗透疗法后瞳孔异常的消退、高血压和低心率
  • 结论
    • 基于机器学习的模型可以预测中度和重度头部损伤后 24 小时内是否需要紧急神经外科手术
    • 此类模型作为决策工具的潜在临床益处值得进一步评估
    • 模型在现实环境中的表现以及对临床决策的影响需要工作流程集成和前瞻性评估
• 字不如表
  • Table 1
    • 插补前后患者的特征
      • 整体数据集
• 表不如图
  • Figure 1
    • 训练-验证-测试数据集的分布："合成"样本仅在训练集中由合成少数类过采样技术( SMOTE )生成，以应对目标变量(入院后24 h内行急诊神经外科手术)分布不均衡导致的偏向多数类的情况
  • Figure 2
    • 流程图
  • Figure 3
    • “测试集”不同人工智能模型的曲线下面积
  • Figure 4
    • 模型的混淆矩阵：混淆矩阵描述了每个分类模型的性能
    • Catboost 模型具有 44 个假阴性（需要神经外科手术但模型未识别的患者）和 68 个假阳性（不需要神经外科手术但模型识别为需要紧急神经外科手术的患者）的平衡预测
    • 所有的模型都倾向于限制漏报的数量
    • Catboost模型的预测结果较为均衡，有44个假阴性和68个假阳性
    • 限制假阴性的最佳预测模型为xgb ( 30例假阴性)
  • Figure 5
    • Catboost 模型的 Shapley 值
    • 汇总图上的每个点都是变量和实例的 Shapley 值
    • 颜色代表变量值从低（蓝色）到高（红色）。有助于预测的最重要变量是 EMS 医生到达时的收缩压
      • 此处描述感觉有病句
    • 特征值沿 x 轴的分布表明，低收缩压有助于预测阴性结果，高收缩压有助于预测阳性结果
• 补充材料
  • Supplementary materials
    • Traubase® 注册中心的所有创伤中心均纳入本研究
      • Additional file 1: S1
    • 第一步(生理体征)
    • 第二步(速度和机制的全球评估)
    • 第三步(解剖损伤)
    • 第四步（复苏）
    • 检查清单
      • 标题和摘要
      • 介绍
      • 方法
      • 结果
      • 讨论
      • 其他信息
  • file 2
    • 图形摘要
      • 好模板