London Trauma Conference December 2022: Abstracts
Notice bibliographique
Résumé
Background: Multidisciplinary mortality and morbidity review (MoM) is the core of programs that aim to improve the quality of trauma care and is used to identify and address opportunities for improvement (OFI) [1].Case selection for MoM relies heavily on audit filters, a process associated with high frequencies of false positives.The use of trauma injury scores has been proposed as an alternative, but performance is also poor [2].Our aim was to develop, validate and compare the performance of different machine learning (ML) based models for predicting opportunities for improvement.Methods: We included all trauma patients from the Karolinska University Hospital trauma registry and trauma care quality database assessed between 2014 and 2021.OFI was defined as a binary variable representing a consensus decision from the Mortality and Morbidity Conference regarding the presence of at least one OFI.The data was split into a training (80%) and test set (20%).We developed seven ML models with 45 predictors and compared the performance between models.We also compared the performance of the models with currently used audit filters.Performance was measured using AUC, accuracy and Integrated Calibration Index.A resampling approach was used to estimate confidence intervals.Results: We included 6313 patients where OFI were present in 431 (6.83%) patients.The currently used audit filters (AUC: 0. 0.627, accuracy: 0.356) was outperformed by all developed models.Our best performing model was random forest (AUC: 0.794, accuracy: 0.933, ICI: 0.028) followed by light gradient-boosting machine (AUC: 0.790, accuracy: 0.932, ICI: 0.037).Conclusions: Machine learning models outperform audit filters based on established quality indicators and could prove to be valuable additions in the screening for OFI.Further research is needed on how to further increase performance as well as how to optimally apply developed models into trauma quality programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,330 | 0,126 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».