基于集成学习的伤情分类技术研究
伤员,分类器,1急救数据,2多分类策略,1基于“一对一”(oneversusone,OVO)策略的多分类预测,2基于“一对多”(oneversusall,OVA)策略的多分类预测,3基于集成学习的预测模型构建,1基于OVO策略的
郝晓硕,卢虹冰,刘 洋,杜 鹏,刘 健,李俊杰,王玉同,徐肖攀(空军军医大学:1军事生物医学工程学系军事医学信息技术教研室,2西京医院急诊科,陕西 西安 710032)
在卫勤急救中,往往会出现大批量伤员需要紧急救治后送的情况。伤情分类作为伤员救治的重要组成部分,始终贯穿在救援的全过程之中。检伤分类的意义在于依照伤员的实时伤情对其进行针对性的救护处置,这样不仅可以提高伤员的生还率[1],而且可以提升救治效率与卫勤资源的利用率。国际上有许多检伤分类的标准和方法,常用的方法有简明检伤分类法[2]、院前模糊定性法[1-2]、院前指数、创伤积分法以及格拉斯哥评分[3]等,其中,简明检伤分类法和格拉斯哥评分在国际上运用较为广泛。目前,我国在伤情分类上依据的是新版《战伤救治规则》中的“简易战伤计分对照表”。但不管是哪一种方法,都有自己的特色和弊端,其中一个共同的弊端就是仍然采用人工打分的方式,需要医师进行一对一操作,效率低下,不利于满足大规模伤员的快速检伤分类需求。伤员的伤情分类通常分为四种,包括轻伤、中度伤、重伤、危重伤,分别对应于卫勤急救分类中的常规处置、优先处置、紧急处置和期待处置。因此,检伤分类属于多分类问题。目前在检伤分类这一方面,军事科学院的王丹开发过一个检伤分类系统[1],采取对血压、神志、呼吸打分的方式进行伤情判断。随着机器学习与人工智能在医学领域的应用,如何利用机器学习方法实现智能检伤分类,满足大规模伤员快速精准检伤的需求,成为研究的重点。本项目旨在研发一款智能化伤情分类模型,实现大规模伤员快速、高效、精准的检伤分类,为伤情救治助力。
1 急救数据
选取西京医院的2 666例患者数据 ......
您现在查看是摘要页,全文长 6298 字符。