文献速递创伤与烧伤重症综合管理与镇静镇痛

用于重症转运的机器学习创伤分诊模型

A Machine Learning Trauma Triage Model for Critical Care Transport.
PubMed 文献 · JAMA Netw Open · 2025-06-02
一句话结论在院前重症转运中,基于生理波形特征的机器学习模型可预测2分钟内需实施救命干预,但漏诊率21.3%高于国家目标5%。

该回顾性队列研究纳入2018年1月1日至2021年11月18日由大型重症空中转运系统运送的2809例创伤患者,利用到达后前15分钟内连续生理波形和生命体征数据,构建集成机器学习模型预测2分钟时段内是否实施救命干预(LSI)。模型总体LSI预测的AUROC为0.810(95%CI 0.782-0.842),但敏感度仅0.268;按患者层面设定过度分诊率34.9%时,漏诊率为21.3%(高于国家目标≤5%)。作者认为该模型可能辅助院前分诊,但需在更广泛急诊人群和不同急救阶段进一步评估。

要点

  • 模型预测总体LSI的AUROC为0.810(95%CI 0.782-0.842),但敏感度仅0.268(95%CI 0.193-0.357),阳性预测值0.301。
  • 按患者层面设定过度分诊率34.9%(764/2190例未接受LSI者)时,漏诊率为21.3%(131/616例接受LSI者),高于国家目标≤5%。
  • 气道干预预测性能较强(AUROC 0.910,95%CI 0.888-0.932),出血控制(AUROC 0.580)和胸部干预(AUROC 0.675)较弱。
  • 使用LSI前最多15分钟的生理特征时模型性能保持稳定(AUROC 0.817-0.823),仅预测每例患者首次LSI时AUROC为0.796。
  • 作者认为该模型可能辅助院前分诊,但需在广泛急诊人群和不同急救阶段进一步评估。

适用人群与场景

  • 2018年1月1日至2021年11月18日由STAT MedEvac空中转运系统从事故现场直接转运至4家成人创伤中心的创伤患者,年龄15至89岁,疑似非妊娠且非囚犯。
  • 排除院际转运患者、无连续生理波形监测文件或无链接院内创伤登记记录者。
  • 纳入分析2809例,平均年龄47.7(19.5)岁,男性1981例(70.5%);钝性创伤2535例(90.3%),穿透性创伤202例(7.2%)。

诊断标准与关键阈值

  • LSI定义为15分钟分析期内实施的特定治疗,分为6类:气道干预(如气管插管)、出血控制(如骨盆带)、输血(如全血)、心血管干预(如心肺复苏)、胸部干预(如针刺减压)、血管升压药(如肾上腺素)。
  • 模型阈值设定为使预测LSI的百分比大致等于观察到的时段LSI率(6.0%,910/15088个2分钟时段)。
  • 按患者层面设定过度分诊率≤35%,观察漏诊率与国家标准≤5%的接近程度。

研究设计与关键结果

  • 回顾性队列研究,纳入2809例创伤患者,共15088个2分钟时段,其中910个(6.0%)包含LSI;616例(21.9%)在15分钟内接受至少1次LSI,仅额外161例(5.7%)在16至30分钟接受LSI。
  • 总体LSI预测:AUROC 0.810(95%CI 0.782-0.842);敏感度0.268(95%CI 0.193-0.357);阳性预测值0.301(95%CI 0.228-0.356);阳性似然比6.793(95%CI 4.887-8.795);特异度0.960(95%CI 0.947-0.972);阴性预测值0.953(95%CI 0.943-0.964);阴性似然比0.763(95%CI 0.680-0.837)。
  • 各LSI亚类AUROC:气道干预0.910(95%CI 0.888-0.932);输血0.784(95%CI 0.688-0.872);血管升压药0.816(95%CI 0.652-0.916);出血控制0.580(95%CI 0.486-0.658);胸部干预0.675(95%CI 0.478-0.828);心血管干预0.650(95%CI 0.222-0.992)。
  • 按患者层面:设定过度分诊率34.9%(764/2190例未接受LSI者)时,漏诊率21.3%(131/616例接受LSI者);敏感度0.787,阳性预测值0.388,阳性似然比2.257,特异度0.651,阴性预测值0.916,阴性似然比0.443。
  • 敏感性分析:使用LSI前最多15分钟特征时,包容性分析AUROC从4分钟0.817(95%CI 0.780-0.850)至15分钟0.823(95%CI 0.790-0.852);排他性分析AUROC从4分钟0.814(95%CI 0.786-0.845)至15分钟0.806(95%CI 0.771-0.837)。仅预测每例首次LSI时AUROC 0.796(95%CI 0.763-0.827);钝性创伤AUROC 0.809(95%CI 0.774-0.844);中位数插补AUROC 0.810(95%CI 0.768-0.842)。

证据类型、等级与局限

  • 证据类型:回顾性队列研究;遵循STROBE和TRIPOD-AI报告规范;使用5折交叉验证(80%训练/20%评估,按患者分层)和20次自助重采样,共100次模型运行。
  • 局限:接受LSI不代表干预有指征,未来研究应检查院前LSI的生理后遗症以确定模型预测是否可靠指示LSI需求。
  • 局限:数据来自以空中转运为主的重症监护数据库,结果可能不适用于不同院前人群;未来工作应在以地面转运为主的人群中外部验证。
  • 局限:LSI时间戳来自院前急诊医疗记录,可能存在记录错误;敏感性分析显示模型性能在LSI前15分钟仍保持,缓解此担忧。
  • 局限:仅检查医疗人员到达后前15分钟,模型是否适用于急救后期阶段(如院际转运或院内)是未解问题。
  • 局限:由于大多数特定LSI罕见,统计效力不足以检查接受多次不同顺序LSI患者间的变异性。
  • 局限:部分患者因损伤严重程度无法获取监测数据而被排除,可能引入谱偏倚。

对床旁实践的改变

  • 作者认为该机器学习模型可能辅助院前分诊,通过自动识别最可能需要LSI的患者来支持分诊决策。
  • 作者指出模型预测可提供治疗决策的早期提示,这些决策通常需要连续且认知要求高的监测;确定LSI需求后,临床医生可将精力集中于最严重或最模糊的病例。
  • 作者认为模型使用院前临床医生常规监测的生理和生命体征数据,但纳入的信息量远超人工计算,易用性和透明度应有助于促进对黑箱技术存疑的医疗人员的接受。
  • 作者指出模型漏诊率21.3%高于国家目标5%或以下,过度分诊率34.9%低于国家目标35%或以下。
  • 作者结论:机器学习方法可能增强院前分诊,但需在广泛急诊人群和不同急救阶段进一步评估。

指南或共识出处

  • 现场分诊指南(field triage guides),引用编号25。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」,故未列出这些栏目。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2025 Jun 9;8(6):e259639. doi: 10.1001/jamanetworkopen.2025.9639

引言

平民伤亡救治的进步有望降低创伤死亡率。大多数创伤死亡与气道受损或院前出血相关1,2;多达四分之一的死亡可通过早期识别和实施救命干预措施(LSI)加以预防。3然而,院前急救人员判断是否需要实施LSI面临艰巨任务:必须快速评估多名伤员,并就所需救治和资源利用做出关键决策。与院内临床医生相比,急救人员的技能和经验有限、时间和资源极少,且缺乏先进诊断工具。4现有旨在简化院前决策的分诊指南往往不可靠,部分原因在于其中包含的提示因素并不能始终可靠地识别需要立即实施LSI的患者(如生命体征、解剖损伤模式)。5,6,7

对患者生理特征的机器学习(ML)分析可能增强院前决策能力。生理监测可通过无创技术在院前环境中采集复杂的高维波形。波形数据在评估死亡风险、LSI需求和分诊方面优于传统记录的生命体征,6,8,9,10部分原因在于其能够预示临床失代偿。心率变异性和复杂度与LSI需求及出血风险相关。11,12,13,14,15,16,17在类似任务中,光电容积脉搏波波形优于转运途中的生命体征数据。18,19,20,21机器学习能够快速自动检测复杂生理信号中的细微模式,使其成为基于波形和衍生生命体征数据构建预测模型的强大工具。22,23

我们开发了一种ML模型,能够从短段生理波形数据中识别单例患者是否接受了LSI。我们使用标准ML指标以及每例患者的过度分诊率和分诊不足率来检验该模型的性能。我们假设该模型的性能与现有分诊模型已报道的性能相当,同时其过度分诊率和分诊不足率接近国家分诊指南设定的目标。24,25

方法

概述

在这项队列研究中,我们从一家每年服务约13 000例患者的医疗转运组织(STAT MedEvac)获取了患者数据。匹兹堡大学机构审查委员会在豁免知情同意的情况下批准了这项回顾性队列研究,因为该研究涉及对现有医疗记录进行的观察性研究。我们遵循了加强流行病学观察性研究报告(STROBE)和多变量预测模型个体预后或诊断透明报告(TRIPOD-AI)报告指南。报告种族和族裔仅用于样本描述目的,但人口学信息未用于ML建模。

紧急911呼叫根据州协议被分配至医疗航空运输,协议依据包括严重程度、时间敏感性和距最近适当设施的距离。2018年1月1日至2021年11月18日期间的医疗航空运输现场出诊符合纳入条件,条件包括:病例被院前临床医生分类为创伤;病例涉及将患者从受伤现场直接运送至University of Pittsburgh Medical Center医院系统内4家成人创伤中心之一(设施间转运的患者不符合条件);患者年龄15至89岁;且患者被怀疑既非孕妇也非囚犯。在符合条件患者中(n = 4006),我们排除了数据不完整者(即无包含连续生理波形和生命体征模式的监测文件,或我们的院内创伤登记中无关联记录)(图1)。我们观察到纳入样本(n = 2809)与因数据不完整而排除的符合条件患者(n = 1197)之间的人口统计学特征相似(补充材料1中的eTable 1)。

从911调度至医疗航空运输机组到达患者地点之间的平均(SD)时间为22.6(8.5)分钟;我们没有该期间的患者数据。医疗航空运输机组到达后,开始记录生理和波形数据,并输入电子患者护理报告系统(emsCharts;ZOLL Data Systems)。我们从报告软件中提取数据进行分析,包括运输时间以及带时间戳的生命体征和操作。我们从相应患者监护仪(X-series;ZOLL Medical)下载连续生理波形和30秒平均生命体征模式。可用的传感器模态及其衍生指标包括心电图和心率;手指体积描记法和脉搏血氧仪测得的氧饱和度;气道二氧化碳描记法和呼气末二氧化碳;以及有创血压(IBP;通过动脉导管测量)和无创血压(非IBP;使用袖带测量)。我们分析医务人员到达患者身边后最初15分钟内收集的数据,以识别最迫切需要LSI的患者。

图1。患者纳入流程图。患者可能因超过1项标准而被判定为不符合条件。因此,被排除的不符合条件患者小计超过39 622的总数。我们观察到纳入患者与因数据不可用而被排除的患者之间的人口统计学特征相似(补充材料1中的eTable 1)。LSI表示救命干预;UPMC,University of Pittsburgh Medical Center。 查看原图 ↗

生理特征创建

我们在院前临床医生到达后的最初15分钟期间,将每名患者的生理波形数据解析为连续、不重叠的2分钟时段。我们推导出统计表示,以捕捉每个2分钟时段内患者的生理状况。2分钟时段允许在最初15分钟护理窗口内对患者LSI进行时间特异性预测,同时提供足够时长以基于所捕获的生理波形数据计算统计特征(例如,心率变异性)。26最初计算的2175个唯一统计特征的完整列表可在Open Science Framework上获取。27

LSI结局提取

我们使用院前急救病历和创伤登记数据,以识别在15分钟分析期内构成救命干预(LSI)的特定治疗的发生情况。遵循先前提出的定义,28 我们通过多位具备院前临床知识的作者(L.S.W.、J.B.B.和F.X.G.)之间的反复讨论来确定每项治疗的纳入;这些作者对其决定对预测建模的影响设盲。我们将LSI分为6类:气道干预(如气管插管)、出血控制(如骨盆带)、输血(如全血)、心血管干预(如心肺复苏)、胸部干预(如针刺减压)和血管升压药物(如肾上腺素)。

我们将带时间戳的LSI与紧邻之前的2分钟时段及相关的生理特征集进行匹配。每个时段根据其后是否立即发生LSI与二分类阳性或阴性结局相关联(1表示LSI;0表示无LSI)。患者在15分钟分析期内最多可有8个时段,部分患者另有最后一个1分钟时段(图2)。这一较短时段仅可根据其是否涉及LSI而用作结局;该时段内采集的生理波形数据不用于预测。补充材料1中的eFigure展示了患者时间线示例。

图2. 基于2分钟治疗时段预测救命干预(LSI)的示意图。假想图,描绘基于紧邻之前的2分钟治疗时段所衍生的生理特征预测LSI的示意流程。每个圆点标记一个2分钟时段的起点。患者就诊开始于下午4:08;LSI于下午4:19实施。深蓝色圆圈表示不用于预测下午4:19所发生LSI的时段。A,橙色圆圈表示一个2分钟时段,鉴于LSI在该时段后1至2分钟发生,该时段将用于预测下午4:19的LSI。B,橙色圆圈表示2分钟时段,鉴于LSI在每個时段开始后8分钟或更短时间内发生,这些时段将用于预测下午4:19的LSI。C,橙色圆圈表示一个2分钟时段,鉴于LSI恰好在该时段开始后8分钟发生,该时段将用于预测下午4:19的LSI。 查看原图 ↗

统计分析

机器学习

我们使用机器学习(ML)根据紧邻前一时段记录的生理特征,预测每个2分钟时段内的院前LSI实施情况(图2)。我们通过Python(Python Software Foundation)中的Scikit-learn部署了直方图梯度提升(HGB),这是一种集成方法。29 HGB涉及对数据拟合一系列决策树;每棵后续决策树从先前树的错误中学习,患者根据最终树获得二分类。模型使用所有患者中实施的所有LSI进行训练,包括接受多次LSI的患者;对于这些患者,每次LSI均根据前2分钟时段记录的生理特征独立预测,无论特定类型LSI的实施顺序如何。每个LSI类别运行单独的模型。

通过受试者工作特征曲线下面积(AUROC)评估模型性能,该指标将模型敏感性(即正确检测真实LSI病例)与假阳性率进行比较。我们还报告了几项分类指标,包括敏感性、阳性预测值、阳性似然比、特异性、阴性预测值和阴性似然比。我们通过设定模型阈值使预测LSI病例的百分比与观察到的全epoch LSI率大致相等来计算这些指标。使用R中的ggplot2对模型性能进行图形化可视化。30

为与既往院前创伤分诊工作相衔接,我们还基于模型预测计算了每位患者的分类不足率和分类过度率。分类不足定义为在所有2分钟epoch中被预测不需要LSI但确实接受了至少一次LSI的患者比例(即1 – 敏感性;假阴性率)。分类过度定义为在至少一个2分钟epoch中被预测需要LSI但未接受任何LSI的患者比例(即1 – 特异性;假阳性率)。参照现场分诊指南,25我们将分类过度率设定为35%或以下,并观察分类不足率与全国目标5%或以下的接近程度。使用所得的预测阈值,我们还在患者层面报告了上述每项分类指标。

我们对HGB机器学习模型进行了网格搜索以确定最优超参数设置;基于较高的AUROC(补充材料1中的eTable 2),选择了100次最大迭代、最大树深度为3和学习率为0.1。我们使用5折交叉验证,训练集80%、评估集20%,按患者分层以防止过拟合(即某位患者的所有2分钟epoch均出现在训练数据或评估数据中)。我们使用了20次自助重采样,每次使用唯一的随机种子以确保稳健性。结合5折交叉验证,该方法产生了100次独特的模型运行及每个模型指标的95%CI。我们重新运行了预测几种极其罕见LSI类别的模型,同时使用过采样技术以增加这些LSI的代表性(补充材料1中的eAppendix)。

为进行敏感性分析,我们检验了使用更早记录的生理特征时LSI预测是否仍能维持(图2)。我们使用在每次给予LSI之前越来越早出现的2分钟时段作为预测因子,最早至15分钟前。在包含式版本中,我们使用截至并包括最早时段在内的所有2分钟窗口;8分钟包含式窗口意味着使用下午4:11至4:18之间的每个时段来预测下午4:19是否发生LSI。在排除式版本中,我们仅纳入最早的2分钟窗口;8分钟排除式窗口意味着使用下午4:11至4:12的时段来预测下午4:19是否发生LSI,但不使用下午4:13至4:18发生的时段。我们进一步检验了在以下情况下预测是否仍能维持:(1)将模型限制为仅预测每人的首次LSI(后续2分钟时段被丢弃,从原始15 088个时段中产生13 495个时段[89.4%];616次LSI事件,LSI发生率为4.56%);(2)仅检查钝性创伤患者(穿透性创伤患者太少,无法支持亚组分析);以及(3)使用中位数插补填充缺失值。

数据分析时间为2024年5月至11月。双侧P < .05表示统计学显著。

结果

概述

共纳入2809例患者进行分析(平均[SD]年龄,47.7[19.5]岁);其中1981例[70.5%]为男性,775例[27.6%]为女性,53例[1.9%]为其他。在种族和民族方面,115例(4.1%)患者为黑人,55例(2.0%)为西班牙裔,2545例(90.6%)为白人,12例(0.4%)为其他,82例(2.9%)为未知或缺失。在已确定损伤机制的患者中,2535例(90.3%)为钝性创伤,202例(7.2%)为穿透性创伤。纳入患者中有616例(21.9%)发生LSI,与排除患者中的发生率(1197例中272例[22.7%];z = 0.554;P = .58)在统计学上相当。纳入患者中至少接受一次LSI者平均(SD)接受1.48(0.79)次LSI(409例[66.4%]仅接受1次),显著低于排除患者中至少接受一次者(平均[SD],2.07[1.89]次LSI;143例[52.6%]仅接受1次;t = 6.56;P < .001)(表1)。患者平均(SD)有5.38(0.73)个2分钟时段(范围,3-8;总计,15 088);患者可能少于最多8个时段,原因是1个或多个时段期间生理波形数据缺失,或空中医疗后送人员在15分钟结束前终止了救治。共有616例患者(21.9%)在15分钟内接受了LSI,而另有161例(5.7%)在16至30分钟内接受了LSI。

表1. 归类为LSI的操作发生率 查看原表 ↗

特征选择

由于数据收集的复杂性和统计变换,我们观察到初始2175个生理特征中存在高比例缺失。我们排除了550个近乎完全缺失的特征,包括所有IBP特征(n = 450)和若干非IBP特征(n = 75)。反映吸入气二氧化碳分数的特征(n = 25)也被排除;尽管患者监护仪通常与呼气末二氧化碳一起常规采集吸入气二氧化碳分数,但吸入气二氧化碳分数反映的是大气中二氧化碳的环境水平,而非患者的生理状况。

我们为模型保留了1625个特征;在患者中,仅在17个(0.1%)2分钟epoch观察到完整数据,这要求我们考虑2种缺失类型。第一种类型涉及因信号噪声或数据读数异常而无法进行的计算(在15088个2分钟epoch乘以1625个生理特征所构成的超过2450万个唯一值中占2.2%);这些缺失采用按特征中位数插补处理,当某特征无法计算中位数时则插补为零。第二种类型涉及某特定患者在特定2分钟epoch内缺乏生理波形数据(占数值的16.3%)。鉴于第二种缺失数据在识别患者病情恶化方面具有潜在效用,我们将其明确表示为一个特征,使其能够自然地参与模型预测。

机器学习建模

按Epoch分析

我们检验了是否可由近端生理特征预测LSI(表2和图3)。我们观察到良好性能,AUROC为0.810(95% CI,0.782-0.842);敏感性为0.268(95% CI,0.193-0.357);阳性预测值为0.301(95% CI,0.228-0.356);阳性似然比为6.793(95% CI,4.887-8.795);特异性为0.960(95% CI,0.947-0.972);阴性预测值为0.953(95% CI,0.943-0.964);阴性似然比为0.763(95% CI,0.680-0.837)。与总体LSI的模型性能相比,气道干预的模型性能更强,AUROC为0.910(95% CI,0.888-0.932)。输血(AUROC,0.784;95% CI,0.688-0.872)和血管升压药(AUROC,0.816;95% CI,0.652-0.916)的模型性能相当;出血控制(AUROC,0.580;95% CI,0.486-0.658)、胸部干预(AUROC,0.675;95% CI,0.478-0.828)和心血管干预(AUROC,0.650;95% CI,0.222-0.992)的模型性能较弱。

表2. 预测LSI及每个特定类别的机器学习结果 查看原表 ↗
图3. 基于生理特征预测救命性干预(LSI)的机器学习结果。至LSI事件时间1至2分钟对应于所报告的主要分析;结果在包含性和排除性面板中相同。所有其他数据点对应于敏感性分析;结果在包含性和排除性面板中存在差异。A,使用从指定至LSI事件时间起或之后开始的所有2分钟epoch来预测目标epoch内LSI的实施。B,仅使用从指定至LSI事件时间开始的2分钟epoch来预测目标epoch内LSI的实施。竖线表示95% CI。AUROC表示受试者工作特征曲线下面积。 查看原图 ↗

按患者分析

我们根据患者是否被预测接受和/或实际接受至少1次LSI来计算按患者分类指标。将按患者过度分诊率设为34.9%(2190例未接受LSI的患者中的764例),我们观察到分诊不足率为21.3%(616例接受LSI的患者中的131例)。这些结果对应以下分类统计量:敏感性0.787,阳性预测值0.388,阳性似然比2.257,特异性0.651,阴性预测值0.916,阴性似然比0.443。这些数值是根据模型预测和实际LSI事件的观察计数进行算术计算得出的;因此,未报告95% CI。

敏感性分析

在我们的包容性分析中,当加入更早的2分钟时段作为预测因子时,模型性能保持稳定,甚至略有提升(AUROC从4分钟时的0.817 [95% CI,0.780-0.850]到15分钟时的0.823 [95% CI,0.790-0.852],基线为0.810)(图3)。在我们的排他性分析中,模型性能保持一致,AUROC从4分钟时的0.814(95% CI,0.786-0.845)到15分钟时的0.806(95% CI,0.771-0.837)。我们还观察到,在以下情况下模型性能与我们的原始分析相当:(1)检查每位患者的首次LSI(AUROC,0.796;95% CI,0.763-0.827);(2)检查钝性创伤患者(AUROC,0.809;95% CI,0.774-0.844);(3)使用中位数插补填补缺失值(AUROC,0.810;95% CI,0.768-0.842)。

讨论

在这项危重创伤患者队列研究中,利用院前救治早期获取的连续生理波形数据,准确预测了单个患者在转运过程中是否会在某个2分钟时段内接受LSI。我们的模型产生了21.3%的漏诊率,高于5%或以下的国家目标,以及34.9%的过度分诊率,低于35%或以下的国家目标。25 对于选定的LSI类别(例如,血管升压药物、气道干预和输血),在LSI发生前长达15分钟以及仅预测每位患者首次LSI时,准确的LSI预测得以维持。

我们的结果对院前分诊具有启示意义。实践中的漏诊率和过度分诊率高于国家指南推荐的水平,25 部分原因是依赖于极少的客观数据(生命体征)、主观评估(解剖损伤模式),以及往往仅凭院前临床医生的直觉。8,31,32,33 我们的模型产生的漏诊率和过度分诊率与先前临床分诊模型已发表的比率相比具有优势34,35,36,37,38,且与国家目标的差距不大。25 我们的模型还通过提供单个患者在院前转运给定时间接受LSI的预测概率,做出时间特异性LSI预测39。在医务人员权衡多名受伤患者需求的临床情境中,类似的模型可以设想帮助确定患者何时以及以何种顺序接受LSI。以自动化方式识别需求最大的患者,可以支持对院前临床医生而言往往具有挑战性的分诊决策。我们的发现对该领域可能有用,与大量涌现的研究相吻合,这些研究表明预测模型可以利用院前分诊标准来指导分诊决策。13,14,15,16,17,34,35,36,37,38,39

我们的模型可通过识别院前救治事件(LSI)——该事件通常发生在患者长时间失代偿之后——与院前临床医师工作流程相整合并简化该流程。因此,模型预测可为通常需要持续且认知负荷较高的监测才能做出的治疗决策提供早期提示。8 在确定需要LSI后,临床医师可将精力集中于其他地方,同时确信未遗漏关键干预措施。鉴于院前临床医师——通常是急救员或护士——往往缺乏高级技能和经验,释放其精力以专注于最严重或最不明确的病例至关重要。在艰苦的院前环境中,临床医师的需求进一步放大,从而增加了基于模型的决策工具的潜在效用。我们的模型还使用院前临床医师 routinely 监测的相同生理和生命体征数据作为输入,但纳入的信息量远超人类所能计算的范围。易用性和透明性应有助于促进急救员的采纳,这些急救员对使其工作流程复杂化的黑箱技术持谨慎态度。

局限性

我们的研究存在若干局限性。第一,患者接受了LSI并不一定意味着该干预具有适应证;未来研究应检查院前LSI的生理后遗症,以确定提前至15分钟做出的基于模型的LSI预测是否能可靠地提示需要实施LSI。第二,数据来源于一个重症监护数据库,其中大多数患者通过航空转运,结果可能无法推广至不同的院前患者人群;未来工作应在主要以院前地面转运为主的人群中进行外部验证。第三,LSI时间戳取自院前急诊医疗记录,因此可能存在记录错误;我们的敏感性分析中模型性能在LSI前15分钟仍得以维持,这减轻了该担忧。第四,我们检查了急救员到达后的最初15分钟,因为大多数LSI会在此期间发生(事实上,616例[21.9%]患者在15分钟内接受了LSI,而仅在16至30分钟之间另有161例[5.7%]患者接受了LSI);一个未解问题是,本文开发的预测模型是否能推广至急诊救治的后期阶段(例如,机构间转运或院内)。第五,鉴于大多数特定LSI的罕见性,我们没有足够的统计效力来检查以不同顺序接受多次LSI的患者之间的变异性。第六,部分患者因损伤严重程度妨碍获取监护数据而被排除,可能引入谱偏倚。

结论

在这项危重创伤患者队列研究中,我们提出了一种机器学习(ML)模型,该模型经训练可基于紧邻之前的生理波形特征,在2分钟院前救治时段内识别单例患者对LSI的需求。该模型在干预前至15分钟仍保持良好的性能,并准确预测了若干特定救命操作(例如,气道干预和输血)。ML方法可增强院前分诊,尚需在广泛急诊人群及急诊救治不同阶段进行进一步评估。

参考来源

  1. Weidman AC, Malakouti S, Salcido DD, et al. A Machine Learning Trauma Triage Model for Critical Care Transport. JAMA Netw Open. 2025. PMID: 40489113. doi:10.1001/jamanetworkopen.2025.9639
  2. 全文:PMC12150194(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12150194/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。