Mejorando la atención de trauma: un enfoque de aprendizaje automático con XGBoost para predecir intervenciones urgentes de hemorragia utilizando datos de NTDB
Autores: Zhang, Jin; Jin, Zhichao; Tang, Bihan; Huang, Xiangtong; Wang, Zongyu; Chen, Qi; He, Jia
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejorando la atención de trauma: un enfoque de aprendizaje automático con XGBoost para predecir intervenciones urgentes de hemorragia utilizando datos de NTDB
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Trauma
Hemorragia
Modelo de aprendizaje automático
Intervención
Mortalidad
XGBoost
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Objetivo: Nuestro estudio muestra que el modelo XGBoost predice de manera efectiva intervenciones urgentes por hemorragia utilizando datos del Banco Nacional de Datos de Trauma (NTDB). Supera a otros algoritmos de aprendizaje automático en precisión y robustez en diversos conjuntos de datos. Estos resultados resaltan el potencial del aprendizaje automático para mejorar las respuestas de emergencia y la toma de decisiones en el cuidado del trauma.
Descripción
Objetivo: Nuestro estudio muestra que el modelo XGBoost predice de manera efectiva intervenciones urgentes por hemorragia utilizando datos del Banco Nacional de Datos de Trauma (NTDB). Supera a otros algoritmos de aprendizaje automático en precisión y robustez en diversos conjuntos de datos. Estos resultados resaltan el potencial del aprendizaje automático para mejorar las respuestas de emergencia y la toma de decisiones en el cuidado del trauma.