GIÁ TRỊ CỦA MÔ HÌNH HỌC MÁY RANDOM FOREST TRONG DỰ ĐOÁN TỬ VONG Ở BỆNH NHÂN ĐA CHẤN THƯƠNG
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Đánh giá hiệu suất của mô hình học máy rừng ngẫu nhiên (Random Forest - RF) trong dự đoán tử vong ở bệnh nhân (BN) đa chấn thương và so sánh với ISS (injury severity score) và lactate máu lúc nhập viện. Phương pháp nghiên cứu: Nghiên cứu mô tả, hồi cứu trên 196 BN đa chấn thương điều trị tại Khoa Hồi sức Ngoại, Bệnh viện Quân y 103 từ tháng 6/2020 - 6/2023. Các biến lâm sàng, xét nghiệm và kết cục tử vong được thu thập từ hồ sơ bệnh án. Dữ liệu được chia thành tập huấn luyện và tập kiểm tra theo tỷ lệ 60:40. Boruta được sử dụng để lựa chọn đặc trưng. Hiệu suất được đánh giá bằng diện tích dưới đường cong (AUC), độ nhạy (Se), độ đặc hiệu (Sp), giá trị tiên đoán dương tính (PPV), giá trị tiên đoán âm tính (NPV), Brier score và phân tích đường cong quyết định. Kết quả: Có 80 BN tử vong, chiếm 40,8%. Sau khi lựa chọn đặc trưng, 8 biến được đưa vào mô hình. Trên tập kiểm tra, mô hình RF đạt AUC 0,94, Se 90,62%, Sp 95,74%, PPV 93,55% và NPV 93,75%, cao hơn ISS và lactate máu đơn độc (p < 0,01; kiểm định DeLong). Kết luận: Mô hình RF cho thấy hiệu suất cao trong dự đoán tử vong ở BN đa chấn thương và có thể hỗ trợ bác sĩ phân tầng nguy cơ sớm trong thực hành lâm sàng.
Từ khóa
Đa chấn thương, Mô hình Random Forest, Dự đoán tử vong
Chi tiết bài viết
Tài liệu tham khảo
2. Ngô Đình Trung, Nguyễn Chí Tâm, Nguyễn Thái Cường và CS. Giá trị tiên lượng tử vong của một số yếu tố lâm sàng, cận lâm sàng trong đa chấn thương. Tạp chí Y Dược Lâm sàng 108. 2024;19(1):1-6.
3. Çınar E, Usul E, Demirtaş E, Gökçe A. The role of trauma scoring systems and serum lactate level in predicting prognosis in thoracic trauma. Turkish Journal of Trauma and Emergency Surgery. 2021;27(6):619-23.
4. He W, Fu X, Chen S. Advancing polytrauma care: developing and validating machine learning models for early mortality prediction. Journal of Translational Medicine. 2023;21(1):664.
5. Zhou P, Ling L, Xia X, et al. Independent predictors of mortality for critically ill patients with polytrauma: A single center, retrospective study. Heliyon. 2024;10(5):e25163.
6. Pape H-C, Lefering R, Butcher N, et al. The definition of polytrauma revisited: An international consensus process and proposal of the new ‘Berlin definition’. Journal of Trauma and Acute Care Surgery. 2014;77(5):780-6.
7. Kursa MB, Rudnicki WR. Feature selection with the Boruta package. Journal of Statistical Software. 2010;36:1-13.
8. Pape HC, Moore EE, McKinley T, Sauaia A. Pathophysiology in patients with polytrauma. Injury. 2022;53(7): 2400-12.
9. Islam MM. Development and validation of two prediction models for 72-hour mortality in high-risk trauma patients using a benchmark dataset: a comparative study of logistic regression and neural networks models. Cureus. 2023;15(6):e40773.
10. Özel A, İlbeği EN, Yüce S. Predictive value of initial lactate levels for mortality and morbidity in critically ill pediatric trauma patients: a retrospective study from a Turkish pediatric intensive care unit. Acute and Critical Care. 2025;40(1):87-94.