Maschinelles Lernen – basierte Textanalyse zur Vorhersage von schwerverletzten Patienten im Notfallmedizinischen Dispatch: Modellentwicklung und Validierung

HINTERGRUND: Die frühe Erkennung von schwerverletzten Patienten in präklinischen Settings ist von größter Bedeutung für die zeitgerechte Behandlung und den Transport der Patienten zu weiteren Behandlungsstätten. Die Genauigkeit der Disposition wurde in früheren Studien selten behandelt. ZIEL: In dieser Studie beabsichtigten wir, ein auf maschinellem Lernen basierendes Modell durch Text Mining von Notrufmeldungen zur automatisierten Identifizierung von Schwerverletzten nach einem Verkehrsunfall zu erstellen. METHODEN: Audioaufzeichnungen von Verkehrsunfällen in der Stadt Taipeh, Taiwan, im Jahr 2018 wurden erfasst und zufällig ausgewählt. Daten zu Anrufübertragungen oder nicht-mandarinsprechenden Anrufern wurden ausgeschlossen. Um Fälle von schwerem Trauma, die vor Ort von Notfallmedizinern identifiziert wurden, vorherzusagen, wurden alle eingeschlossenen Fälle sowohl von Menschen (6 Disponenten) als auch von einem maschinellen Lernmodell, dem vorhospital-aktivierten Major Trauma (PAMT)-Modell, bewertet. Das PAMT-Modell wurde unter Verwendung der Termfrequenz-inversen Dokumentfrequenz, regelbasierter Klassifikation und eines Bernoulli-naïven Bayes-Klassifikators entwickelt. Eine wiederholte zufällige Subsampling-Kreuzvalidierung wurde angewandt, um die Robustheit des Modells zu bewerten. Die Vorhersageleistung der Disponenten und des PAMT-Modells wurde in schweren Fällen verglichen. Die Leistung wurde durch Sensitivität, Spezifität, positiven prädiktiven Wert, negativen prädiktiven Wert und Genauigkeit angezeigt. ERGEBNISSE: Obwohl die durchschnittliche Sensitivität und der negative prädiktive Wert des PAMT-Modells höher waren als die der Disponenten, erzielten diese höhere durchschnittliche Spezifität, positiven prädiktiven Wert und Genauigkeit. Die durchschnittliche Genauigkeit des PAMT-Modells, von Sicherheitsstufe 0 (niedrigste Sicherheit) bis Stufe 6 (höchste Sicherheit), war höher, mit Ausnahme der Stufen 5 und 6. Die Gesamtergebnisse der Disponenten und des PAMT-Modells waren ähnlich; jedoch hatte das PAMT-Modell eine höhere Genauigkeit in Fällen, in denen die Disponenten weniger sicher in ihren Urteilen waren. SCHLUSSFOLGERUNGEN: Ein auf maschinellem Lernen basierendes Modell, das PAMT-Modell genannt wird, wurde entwickelt, um schweres Trauma bei Verkehrsunfällen vorherzusagen. Die Ergebnisse unserer Studie deuten darauf hin, dass die Genauigkeit des PAMT-Modells nicht besser ist als die der teilnehmenden Disponenten; jedoch kann es Disponenten unterstützen, wenn sie bei der Urteilsbildung unsicher sind.