Prédiction de la mortalité hospitalière chez les patients traumatisés : comparaison de différents SMOTE

BMC Medical Research Methodology volume 23, Numéro d'article : 101 (2023) Citer cet article

1026 Accès

1 Citation

1 Altmétrique

Détails des métriques

Les traumatismes constituent l’un des problèmes de santé publique les plus critiques à l’échelle mondiale, entraînant des décès et des invalidités et affectant tous les groupes d’âge. Par conséquent, les modèles permettant de prédire la mortalité chez les patients traumatisés admis en USI suscitent un grand intérêt. L'objectif principal de la présente étude est de développer et d'évaluer des outils d'apprentissage automatique basés sur SMOTE pour prédire la mortalité hospitalière chez les patients traumatisés avec des données déséquilibrées.

Cette étude de cohorte rétrospective a été menée sur 126 patients traumatisés admis dans une unité de soins intensifs de l'hôpital Besat de la province de Hamadan, dans l'ouest de l'Iran, de mars 2020 à mars 2021. Les données ont été extraites des dossiers médicaux des patients. Selon la propriété déséquilibrée des données, les techniques SMOTE, à savoir SMOTE, Borderline-SMOTE1, Borderline-SMOTE2, SMOTE-NC et SVM-SMOTE, ont été utilisées pour le prétraitement primaire. Ensuite, les méthodes Decision Tree (DT), Random Forest (RF), Naive Bayes (NB), Artificial Neural Network (ANN), Support Vector Machine (SVM) et Extreme Gradient Boosting (XGBoost) ont été utilisées pour prédire l'hospitalisation des patients. mortalité avec blessures traumatiques. Les performances des méthodes utilisées ont été évaluées par la sensibilité, la spécificité, la valeur prédictive positive (VPP), la valeur prédictive négative (VPN), la précision, l'aire sous la courbe (AUC), la moyenne géométrique (G-moyennes), le score F1 et P. -valeur du test de McNemar.

Sur les 126 patients admis en USI, 117 (92,9 %) ont survécu et 9 (7,1 %) sont décédés. Le délai moyen de suivi entre la date du traumatisme et la date de l'issue était de 3,98 ± 4,65 jours. Les performances des algorithmes ML ne sont pas bonnes avec des données déséquilibrées, alors que les performances des algorithmes ML basés sur SMOTE sont considérablement améliorées. L'aire moyenne sous la courbe ROC (AUC) de tous les modèles basés sur SMOTE était supérieure à 91 %. Le score F1 et les moyennes G avant d'équilibrer l'ensemble de données étaient inférieurs à 70 % pour tous les modèles ML, à l'exception de ANN. En revanche, le score F1 et les moyennes G pour les ensembles de données équilibrés ont atteint plus de 90 % pour tous les modèles basés sur SMOTE. Parmi toutes les méthodes de ML basées sur SMOTE, RF et ANN basées sur SMOTE et XGBoost basées sur SMOTE-NC ont obtenu la valeur la plus élevée pour tous les critères d'évaluation.

Cette étude a montré que les algorithmes ML basés sur SMOTE prédisent mieux les résultats des blessures traumatiques que les algorithmes ML. Ils ont le potentiel d’aider les médecins des soins intensifs à prendre des décisions cliniques.

Rapports d'examen par les pairs

Les traumatismes sont l'un des problèmes de santé publique les plus critiques au monde, entraînant des décès et des invalidités et affectant tous les groupes d'âge [1]. Les blessures traumatiques sont la principale cause de mortalité au cours des quatre premières décennies de la vie [2]. Les traumatismes provoquent 4,4 millions de décès par an et représentent près de 8 % de tous les décès dans le monde [1, 3]. À cet égard, il est important de trouver des solutions pour réduire l’impact des blessures traumatiques et le nombre de décès résultant de traumatismes. Par exemple, améliorer la capacité de prédire l'issue d'un patient traumatisé avec un degré élevé de précision et d'identifier les facteurs importants qui influencent l'issue du patient peut aider les équipes médicales de traumatologie dans leurs efforts rapides pour traiter les patients traumatisés.

De nombreuses études antérieures ont utilisé des méthodes traditionnelles telles que les modèles de régression logistique et de Poisson pour identifier les facteurs qui influencent les blessures traumatiques [4,5,6]. De nombreuses études ont également utilisé le Trauma and Injury Severity Score (TRISS) comme l'un des modèles les plus courants, basé sur la régression logistique (LR) et utilisant une petite cohorte d'un seul centre pour prédire la probabilité de survie des patients atteints de traumatismes. blessures [7]. Cependant, le TRISS et ses diverses modifications sont des outils fondés sur des preuves, et les résultats de certaines études indiquent qu'ils peuvent induire les médecins en erreur en classifiant mal l'état du patient [8]. Néanmoins, les deux catégories de modèles ont donné de mauvais résultats lorsque la colinéarité, l'hétéroscédasticité, les interactions d'ordre supérieur et les relations non linéaires entre les variables étaient présentes [9, 10, 11]. Par conséquent, des outils pronostiques plus précieux et plus précis, qui ne se limitent pas à ces hypothèses, sont nécessaires pour obtenir de meilleurs résultats pour les patients et utiliser au mieux les ressources.