Ontwikkeling en validatie van gesuperviseerde lerende modellen ten behoeve van het identificeren van ernstig gewonde patiënten tijdens pre-hospitale triage
R. van der Sluijs, L.P.H. Leenen, M. van Heijl
Donderdag 24 mei 2018
17:30 - 17:37u
in Brabantzaal
Categorieën: Orale presentatie, Traumachirurgie, Vrije voordrachten (V-sessie)
Parallel sessie: V08 Trauma 2 (deel 1/2)
Introductie
Traumapatiënten met ernstig letsel dienen zo spoedig mogelijk van de plaats van ongeval naar een level-1 traumacentrum getransporteerd te worden. De Trauma Triage App is recentelijk ontwikkeld om ondertriage te reduceren naar <10% (richtlijn Zorginstituut Nederland). Het doel van deze studie was om de extrapolatie, nauwkeurigheid en gebruiksvriendelijkheid te perfectioneren.
Methode
In deze multicenter, cross-sectionele, diagnostische studie, werden alle patiënten >16 jaar, met de verdenking op letsel tijdens pre-hospitale triage, geïncludeerd tussen januari 2015 en december 2016. Een nieuw predictiemodel – een Gradient Boosting Machine (XGBoost) –werd ontwikkeld en intern gevalideerd middels 5-voudige interne-externe kruisvalidatie. XGBoost is een state-of-the-art machine learning algoritme dat non-lineariteit kan modelleren en inherent functioneert met missende waarden. Dit model werd vergeleken met penalized maximum likelihood logistische regressie zoals toegepast in de originele Trauma Triage App. Ernstig letsel was gedefinieerd als een Injury Severity Score ≥ 16. Nauwkeurigheid van beide modellen werd geëvalueerd middels discriminatie en kalibratie.
Resultaten
In totaal werden 2825 patiënten geïncludeerd, waarvan 58,0% mannen. Mediane leeftijd was 48,8 jaar (interkwartielafstand 28,3 – 66,4) en mediane Injury Severity Score 2 (interkwartielafstand 1 – 5). Vijftien demografische en fysiologische variabelen werden geselecteerd voor de ontwikkeling van beider predictiemodellen. XGBoost resulteerde in een hogere discriminatie dan logistische regressie bij zowel interne-externe kruisvalidatie als externe validatie (concordantie-statistiek >0,8). Kalibratie was vergelijkbaar tussen beide modellen met een helling van 1,04 om 1,00 en een snijpunt van 0,00. Een sensitiviteit van >90% kon worden bewerkstelligd bij een specificiteit >50%.
Conclusie
Deze variant van het algoritme ter identificatie van ernstig gewonde patiënten in een pre-hospitale setting toont dat XGBoost superieur is ten opzichte van logistische regressie betreffende discriminatie bij gelijkwaardige kalibratie. Het functioneren in situaties met missende waarden maakt het model veelbelovend voor de dagelijkse praktijk.
