文献速递创伤与烧伤重症综合管理与镇静镇痛

人工智能驱动的聚类用于致命性院前创伤表型分析

Artificial intelligence-driven clustering for phenotyping life-threatening prehospital trauma.
PubMed 文献 · Scand J Trauma Resusc Emerg Med · 2026-01-15
一句话结论在1474例院前创伤患者中,无监督AI聚类识别出3种表型,T-1表型2天院内死亡率达74.3%,T-3仅0.3%。

这项前瞻性多中心研究在西班牙15个高级生命支持单元、4架直升机、132个基础生命支持单元和11家医院纳入1474例成人院前创伤患者,采用无监督AI聚类方法(固定K=3)基于流行病学、创伤相关数据、生命体征和床旁血液检验变量推导表型。主要终点为2天全因院内死亡率,总体为8.3%。Beta聚类法识别出T-1(6.9%,101例,2天死亡率74.3%)、T-2(23.6%,348例,12.9%)和T-3(69.5%,1025例,0.3%)三种表型。作者认为该分层可能有助于个性化治疗和院前急救资源优化。

要点

  • T-1表型占6.9%(101例),2天院内死亡率74.3%,ICU入住率93.1%,30天死亡率82.2%,为最致命表型。
  • T-2表型占23.6%(348例),2天院内死亡率12.9%,ICU入住率68.1%,30天死亡率25%。
  • T-3表型占69.5%(1025例),2天院内死亡率0.3%,ICU入住率10.6%,30天死亡率1.2%。
  • T-1表型院前机械通气94.1%、氨甲环酸63.4%、晶体液中位数1000 ml(IQR 120–1250);院内去甲肾上腺素87.1%、输血68.3%、急诊手术58.4%。
  • T-1表型中位pH 6.99(IQR 6.88–7.12)、乳酸9.23 mmol/L(IQR 6.87–13.1),以创伤性脑损伤为主,其次胸部创伤和烧伤。

适用人群与场景

  • 成人(≥18岁)钝性和/或穿透性创伤患者,由高级生命支持或直升机紧急医疗服务医生强制评估后经基础或高级生命支持或直升机紧急医疗服务转送至医院,连续纳入。
  • 排除未成年人、非创伤患者、明显或疑似孕妇、院前心肺复苏未恢复自主循环者、无法获取院前血液检验者(如床旁检测失败、静脉采血不可及)以及缺乏知情同意者。

研究设计与关键结果

  • 前瞻性多中心研究,纳入1474例成人院前创伤患者,来自西班牙15个高级生命支持单元、4架直升机、132个基础生命支持单元、2个急救调度中心和11家医院,研究期间为2021年1月1日至2024年8月31日。
  • 总体2天院内死亡率为8.3%(123例),中位年龄53岁(IQR 37–70),女性34.4%(507例)。
  • Beta聚类法(K-means算法,K=3)识别三种表型:T-1占6.9%(101例),2天死亡率74.3%;T-2占23.6%(348例),2天死亡率12.9%;T-3占69.5%(1025例),2天死亡率0.3%。
  • T-1表型院前机械通气94.1%、氨甲环酸63.4%、晶体液中位数1000 ml(IQR 120–1250);院内机械通气95%、去甲肾上腺素87.1%、输血68.3%、急诊手术58.4%、ICU入住93.1%、30天死亡率82.2%。
  • T-2表型院前生命支持干预显著低于T-1表型,ICU入住率68.1%,30天死亡率25%;T-3表型ICU入住率10.6%,30天死亡率1.2%。
  • T-1表型中位pH 6.99(IQR 6.88–7.12)、乳酸9.23 mmol/L(IQR 6.87–13.1)、碱剩余降低,以创伤性脑损伤为主(37.6%,38例),其次胸部创伤和烧伤;T-2表型分布相似但骨科创伤为第三常见;T-3表型以骨科创伤最常见。
  • T-1表型中51.5%(52例)为多发伤,48.5%(49例)为多发伤合并创伤性脑损伤;T-1表型死亡主要与胸部和腹部创伤相关,T-2和T-3表型死亡仅与创伤性脑损伤相关。
  • 第一主成分解释约27%的方差,对pH、乳酸、碳酸氢盐、两个碱剩余和三个GCS变量赋予约相等权重;第二主成分解释约8%的方差,对总二氧化碳含量、血尿素氮、尿素、年龄和肌酐赋予更大权重。

证据类型、等级与局限

  • 证据类型:前瞻性多中心观察性研究(表型推导研究)。
  • 局限:使用便利样本,尽管连续招募(24/7/365)跨多个EMS系统和地理区域以减少选择偏倚,但非概率抽样可能限制向其他院前系统的推广。
  • 局限:数据提取者非盲,可能引入信息偏倚;尽管EMS提供者无法获取医院随访数据且急诊提供者无法获取院前数据,但部分主观记录要素不能完全排除。
  • 局限:床旁检测可用性因EMS系统而异,在无类似设备或培训的环境中重复可能困难,需外部验证评估可重复性和适用性。
  • 局限:超急性院前阶段收集的分析变量可能不能完全反映演变的临床状况,如血红蛋白在活动性出血时因采样时间短可能保持不变,可能影响聚类分配和表型解读。
  • 局限:观察性探索性表型研究,识别的聚类不应被解释为因果或确定性;无监督聚类可能对变量选择和建模假设敏感,表型稳定性需在独立队列中确认。
  • 局限:部分研究期间与SARS-CoV-2大流行重叠,创伤流行病学因行动限制而显著变化,多发伤事件发生率降低可能影响样本代表性,未来纵向或流行病学分析应考虑这些时间效应。

对床旁实践的改变

  • 作者认为,EMS提供者可根据院前参数建立表型、确定相应致死性并及早识别急性致命性创伤风险患者,从而支持早期决策和潜在救命干预。
  • 作者认为,表型分析可能帮助将原始临床数据组织成更可解释的模式,以支持早期识别严重结局风险较高的患者;尽管其对临床决策的直接影晌尚未确立,这些模式最终可能协助识别可能受益于高级干预或转诊至专科中心的患者。
  • 作者认为,将AI衍生的表型分析整合入院前决策支持工具是日益受关注的领域;随着床旁技术和计算方法的发展,实时表型评估未来可能可行,但需前瞻性验证研究确定表型指导策略是否能显著改善临床结局或资源利用。

提炼说明

  • 原文未涉及「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译9 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:Scand J Trauma Resusc Emerg Med. 2026 Jan 15;34:30. doi: 10.1186/s13049-026-01553-0

引言

快速、及时的创伤患者特征判定是医疗系统面临的一项重大挑战,尤其对于现场紧急医疗服务(EMS)而言 [1]。对危重创伤病例进行恰当的分诊映射及随后的临床损害风险分层,有助于促进复杂的床旁决策过程,并指导采用适当的处理措施,例如高级生命支持操作和转诊至创伤中心 [2]。根据公认的临床指南 [5],EMS提供者基于客观、结构化的临床评估、有限的基础生命体征和辅助检查(生物标志物)[3, 4],以及基本和高级生命支持操作来制定工作流程。

通常,高风险创伤患者的分类方法依赖于基于生理标准的评分,如修订创伤评分 [6];解剖学标准,如截肢、胸壁不稳定或畸形、开放性或缺损性颅骨骨折、瘫痪和骨盆骨折;甚至损伤机制,如从车辆中弹出、解救时间 > 20 min、同一车辆内乘员死亡、撞击速度 > 80 km/h、行人被撞击和坠落 > 3 m [7, 8]。

此外,超急性期严重创伤通常涉及突发的血流动力学变化;因此,额外的院前护理工具来正确分类急性危及生命的创伤可以产生显著差异 [9, 10]。在此意义上,在院内护理中,表型分析通常用于慢性疾病的评估和治疗,例如慢性阻塞性肺疾病、心力衰竭,甚至脓毒症或严重急性呼吸综合征冠状病毒2(SARS-CoV-2)等急性危及生命的疾病 [11]。

人工智能(AI)技术的出现使得基于临床标准的聚类方法得以重新定义,有时甚至得到增强 [12, 13]。创伤是一种具有挑战性的异质性疾病,从早期识别涉及急性危及生命的创伤、具有不同病理生理路径和决定因素的表型,将有助于提供量身定制的关注点,优化干预措施并最终取得更优结局。

本研究的主要目的是通过无监督AI方法推导与院前急性危及生命创伤相关的表型。次要目的是识别具有相对较高短期临床恶化率的致死性临床表型。

方法

研究设计与设置

这是一项前瞻性、多中心、基于救护车的持续性研究,研究对象为在院前护理中接受治疗并转运至急诊科(ED)的创伤患者。

患者从三项在可比方案下进行的研究中连续、前瞻性地招募:“基于人工智能的院前重症监护高级精准评分系统(APPS)研究”、“院前护理中临床风险恶化生物标志物的识别——preBIO研究”和“通过人工智能技术预测院前急诊患者早期临床恶化风险——predecIA研究”。这些研究获得了公共卫生服务机构审查委员会的批准(编号:23-PI027、PI217-20和EAG-PRE-2024–01)。本研究遵循流行病学观察性研究报告强化指南(STROBE)(补充数据第3页)。

该研究涵盖15个高级生命支持(ALS)单元、4架紧急医疗服务直升机(HEMS)、132个基础生命支持(BLS)单元、2个紧急调度中心和11家医院,来自两个不同的紧急医疗服务系统(SACYL和Osakidetza,由国家卫生系统运营,均位于西班牙),时间为2021年1月1日至2024年8月31日,为8个不同地区的城市、郊区和农村共3,041,937名居民提供全天候服务。

BLS通常由两名急救医疗技术员(EMT)操作,ALS和HEMS还额外配备一名急诊注册护士(ERN)和一名医生(有关紧急医疗服务系统的更多信息,见第5页补充数据)。

知情同意由ERN在与患者或法定监护人首次接触时按常规获取。当患者因病情危重或意识欠佳而无法理解或签署文件时,知情同意由助理研究员在急诊科第二次请求时获取。

研究对象

具有创伤背景(钝性和/或穿透性)的成人(≥ 18岁),由ALS或HEMS医生强制评估后经BLS、ALS或HEMS转送至医院者,被连续纳入研究。

未成年人、非创伤患者、孕妇(明确或疑似)、现场心肺复苏未恢复者、无法进行院前血液检测者(如床旁检测失败、无法经静脉通路采血)或缺乏知情同意者被排除。

结局指标

主要结局为2天院内死亡率(全因)。在如此短的时间范围内,死亡原因应直接与触发紧急医疗服务系统救治的原因相关[14]。主要研究者对所有患者的2天死亡率进行了复核。存在缺失数据时,该病例被排除于分析之外。

次要结局包括院前大量出血控制(肢体止血带、止血纱布、可注射止血剂、伤口闭合装置和骨盆压迫装置)、有创机械通气(IMV)、胸部针刺减压、晶体液输注、氨甲环酸、去甲肾上腺素、镇痛药、催眠药和神经肌肉阻滞剂给药。最后,院内结局包括IMV、氨甲环酸和去甲肾上腺素给药、输血、急诊手术、是/否收入重症监护病房(ICU)以及30天院内死亡率。

预测因素与数据提取

流行病学变量(性别和年龄)、创伤相关数据(机制、创伤类型、等时线等)、基线生命体征(呼吸频率、氧饱和度、吸入氧分数、血压、心率、体温和格拉斯哥昏迷量表(GCS))以及血液检验数据(pH、二氧化碳分压、碳酸氢盐、碱剩余、钠、钾、钙、氯、血红蛋白、葡萄糖、乳酸、肌酐和尿素)由急诊登记护士(ERN)在首次紧急医疗服务(EMS)接触患者时、且在对伤者实施任何干预之前收集并记录。使用LifePAK® 15监护除颤仪(Physio-Control, Inc.,美国雷德蒙德)和CORPULS3T(GS Elektromedizinische Geräte G. Stemple GmbH,德国)测量生命体征,并使用Epoc®血液分析系统(Siemens Healthcare GmbH,德国埃尔朗根)进行院前血液分析。医生在EMS登记系统中录入了止血控制、机械通气和药物给药的需求。

在指数事件(院前救治)后30天随访期结束后,每家医院的一名合作研究者通过查阅电子病历收集了医院随访数据,包括机械通气、氨甲环酸或去甲肾上腺素给药、输血、急诊手术、重症监护病房(ICU)入住以及2天和30天院内死亡率,收集了17项所需合并症以确定年龄调整Charlson合并症指数(ACCI),随后估算了损伤严重度评分(ISS)(补充表S1)。接下来,所有被测试的评分均通过前瞻性收集的数据进行计算。EMS提供者和医院研究合作者均不知晓所考虑的评分情况。

统计分析

结局变量的描述性和双变量统计分别在适当情况下采用t检验、Mann-Whitney U检验或卡方检验进行评估。分类变量使用绝对值和百分比,非正态分布的连续变量使用中位数和四分位距(IQR)。数据收集、缺失值管理和基于近期研究[15]的样本量计算报告于补充数据第9页。

聚类通过基于无监督机器学习方法的四种不同方法进行(请注意,对于所有方法,聚类数量根据临床标准固定为三个)。有关方法的详细信息可见补充数据第9页。

聚类方法之间的一致性比较方法为:将归入三个聚类的患者纳入3×3列联表,并通过卡方检验、Cohen's kappa(对于kappa的解释,kappa > 0.8可视为完全一致)以及调整Rand指数(其解释方式与Cohen's kappa类似,即值越接近1表示一致性越高)进行评估。仅选择与其他方法一致性最高的方法进行进一步分析。

聚类之间的差异通过单变量分析进行探索,并进一步通过以图形方式表示每个聚类中各评分的数值以及事后两两比较来评估早期预警评分。

所有计算和分析均由我们自己的代码在R 4.2.2版(http://www.R-project.org;R Foundation for Statistical Computing,奥地利维也纳)、Python 3.12.7版(https://www.python.org/)和MATLAB R2022b版(美国马萨诸塞州纳蒂克)中完成。

结果

最终共分析1474例创伤患者(见图1)。中位年龄为53岁(IQR:37–70),女性占34.4%(507例),2天院内死亡率为8.3%(123例)。

各方法之间的一致性为轻度/较好,调整Rand指数、Cohen kappa和卡方检验结果如表1所示。因此,基于这些结果,聚类方法2(Beta)呈现了全部结果。简言之,聚类方法Beta采用K-means算法,这是一种将数据划分为K个不同且互不重叠组别的直观且稳健的方法。分析中纳入了所有可用变量,聚类数(K = 3)依据临床标准确定。聚类后,进行主成分分析(PCA)以探讨各变量对最终聚类分配的相对贡献。

基于Beta AI标准进行的表型分析揭示了三个界定明确的临床聚类(T−1、T−2和T−3)。

各聚类的结局分布见图2。T−1表型占6.9%(101例),中位年龄为56岁(IQR:40–74),女性占34.7%(35例)。生命体征提示严重去饱和、血流动力学不稳定倾向和意识水平下降。院前血液检查提示明显酸中毒倾向,中位pH为6.99(IQR:6.88–7.12),碱剩余降低,乳酸升高(9.23 mmol/L;IQR 6.87–13.1)。同样,该聚类突出显示了创伤后的代谢-氧化应激反应,并伴有高血糖和肾脏负荷过重的征象(表2)。T−1表型报告了最多的救命干预措施,包括94.1%的院前机械通气、63.4%的氨甲环酸给药,或中位输注1000 ml(IQR:120–1250)晶体液。院内趋势得到证实,机械通气率为95%,去甲肾上腺素给药率为87.1%,输血率为68.3%,急诊手术率为58.4%,并且如预期那样,ICU入住率及2天和30天院内死亡率分别为93.1%、74.3%和82.2%。

T-2表型占23.6%(348例),中位年龄为59岁(IQR:45–78),女性占30.7%(107例)。

该聚类显示,T−1表型中生命体征和分析参数异常均恢复至正常。现场救命干预措施显著少于T-1表型(表2),ICU入住率及2天和30天院内死亡率分别为68.1%、12.9%和25%。

最后,T-3表型占69.5%(1025例),中位年龄为50岁(IQR:36–65),女性占35.6%(365例)。

该聚类报告所研究变量无统计学显著异常,现场救命干预措施急剧下降,ICU入住率及2天和30天院内死亡率分别为10.6%、0.3%和1.2%(表2)。

在T-1表型患者中,37.6%(38例患者)发生了创伤性脑损伤,其次是胸部创伤和烧伤;在T-2表型患者中,分布相似,但骨科创伤是第三常见类型;在T-3表型患者中,骨科创伤是最常见的类型(补充图S1)。关于死亡率和创伤类型,T-1患者在胸部和腹部创伤中表现出更高的死亡率;T-2死亡率主要与创伤性脑损伤相关;T-3死亡率仅与创伤性脑损伤相关(补充图S1)。研究人群的流行病学特征见表3。

聚类流程之后进行主成分分析(PCA),旨在分析每个预测变量在聚类分配中的个体相对重要性。补充图S2展示了数据中31个主成分各自解释的方差百分比。补充图S3展示了前两个主成分的双标图,同时表示主成分得分和载荷向量。类似地,补充图S4描绘了所有主成分载荷向量的热图。第一主成分解释了数据中约27%的固有方差,其解释的方差至少是其余主成分的三倍。然而,其载荷向量未显示占主导地位的变量,对pH、乳酸、碳酸氢盐、两项碱剩余和三项GCS变量赋予大致相等的权重,而对剩余变量赋予的权重明显较小。相反,第二主成分包含数据中约8%的方差,对总二氧化碳含量、血尿素氮、尿素、年龄和肌酐赋予更大的权重。

图1 研究流程图。缩写:ALS:高级生命支持单元;HEMS:直升机紧急医疗服务;BLS:基础生命支持单元;ROSC:自主循环恢复 查看原图 ↗
表1 所测试聚类方法之间的关联 查看原表 ↗
图2 各结局聚类生成的弦图。a 2天死亡率,b ICU入住,c 院前机械通气,d 输血 查看原图 ↗
表2 研究人群的基线临床特征和结局 查看原表 ↗
表3 研究人群的流行病学特征 查看原表 ↗

讨论

据我们所知,这是首项在院前环境中对急性危及生命的创伤患者进行不同表型特征描述的研究。

基于对急救医疗服务(EMS)提供者在现场或转运途中收集的25项流行病学、临床和生物标志物变量的分析,并忽略结局,已建立起三个明确定义的临床聚类。T-1表型与短期死亡率、ICU入住和救生干预(院前和院内)风险增加相关。T-1表型的致死率是T-2表型观察到的六倍(2天死亡率:74.3% vs 12.9%),且显著高于T-3表型(2天死亡率:74.3% vs 0.3%)。

近期,与临床特征刻画相关的研究定期出现。这种方法正在革新临床医学,使对健康状况进行详细分析、更早且精确的诊断、靶向治疗或医疗流程改进成为可能[16]。具体聚焦于创伤患者,多项研究被用于识别重症病例,例如,Tachino等[17]回顾性研究了氨甲环酸治疗与8种涉及钝性创伤患者的临床表型中院内死亡率之间的关联。Reilly等[18]基于重症监护病房(ICU)中监测的血浆生物标志物,识别出严重创伤后急性呼吸窘迫综合征的3种不同表型。另外,Johansson等[19]通过SHINE生物标志物(syndecan-1、可溶性血栓调节蛋白、肾上腺素)筛查,确立了一种表型,其严重低凝状态和纤溶亢进的患病率为22%,并因此与病死率相关。上述研究均在医院中心开展;因此,将结果外推至院前重症监护具有挑战性。在此背景下,表型分型正逐渐用于院前危重患者的分类和快速识别[20, 21]。然而,尚无基于超急性期院前生物标志物的研究对急性危及生命的创伤进行分类。

我们的研究揭示了三种具有明确临床和预后特征的表型。T-1表型占总病例的7%(51.5%——52例——为多发伤,而48.5%——49例——为多发伤合并创伤性脑损伤);然而,短期死亡率为74%,明显超过T-2和T-3表型(分别为13%和0.3%)。血流动力学不稳定、明显的乳酸性酸中毒和肾功能衰竭可能导致了这一致死性差距,引起病情迅速恶化和休克伴多器官功能衰竭综合征的发生[22, 23]。T-1和T-2表型所致的主要损伤为创伤性脑损伤;此外,T-1表型与相当比例的损伤(胸部、腹部和烧伤)相关,多种创伤类型与损伤严重度评分(ISS)相关,T-1表型也观察到峰值[24]。最具致死性聚类中较高的死亡率也可能与慢性疾病的患病率有关。事实上,尽管T-2表型的中位年龄较大,但T-1表型的ACCI评分更高,这与类似研究的结果一致,表明合并症负担比年龄本身更具决定性[25]。

正如预期,T-2表型显示出生命体征和分析指标仅有轻微异常,与T-1表型相比呈现明显的正常化趋势,但表现劣于T-3表型。该聚类中救命干预(院前和院内)、ICU入住和短期死亡率的数据虽然不可忽视(2天死亡率为12.9%),但与T-1表型相比相当低,ISS和ACCi评分亦然。跌倒是该聚类中损伤的主要原因之一,主要导致创伤性脑损伤而不伴其他相关损伤(为该队列的主要死亡原因),这解释了其死亡率低于T-1表型相关死亡率的原因[26]。最后,T-3表型总体结局最佳(2天死亡率为0.3%),矛盾的是它却是最大的聚类。

表型分析的临床应用是基于患者独特特征提供个性化医疗的宝贵资源。在创伤患者中,快速现场或转运途中分类有助于识别低生存率病例[27]。恰当的标记可能有助于指导多发伤、复杂且快速变化患者的随访策略,尤其在患者决定前往具备适当设施的最合适医院时,这一关键步骤往往基于不完善的临床数据[28]。同样,由急救医疗服务(EMS)提供者进行表型分析可为救命干预、适当的治疗反应甚至全身炎症反应综合征的潜在风险从第一分钟起提供指导[29]。

早期预警评分和生物标志物是理解每位患者个体相关风险和识别潜在临床损害的关键。此外,定义临床聚类将有助于设计提供个体化支持的策略。尽管不同表型中运作的病理生理过程尚未完全阐明,但有证据表明不同表型可能产生不同的结局。换言之,基于院前重症监护参数,EMS提供者可建立院前表型,确定各自的致死性,并及时识别有急性危及生命创伤风险的患者,从而支持早期决策和潜在的救命干预[20, 30]。

人工智能驱动的表型分析为传统风险分层方法提供了补充途径,后者通常依赖有限的一组生理或解剖指标。通过整合多种数据流(如生命体征、血气指标和代谢标志物),基于表型的分类可能提供患者状态的更全面视图。尽管该方法前景广阔,仍需进一步研究以确定其在危及生命创伤院前管理中的临床效用。

这种方法使急救医疗服务(EMS)提供者能够超越被动反应式护理,转向预测性和个性化干预。通过识别与不同死亡风险相关的不同病理生理表型,临床医生可以调整治疗强度、预见潜在并发症,并就转运目的地和医院资源启动做出知情决策。表型分型可能有助于将原始临床数据组织成更具可解释性的模式,从而支持早期识别具有较高不良结局风险的患者。尽管其对临床决策的直接影晌仍有待确立,但这些模式最终可能有助于识别可能从高级干预或转诊至专科中心中获益的患者。

将人工智能衍生的表型分型整合到院前决策支持工具中是一个日益受到关注的领域。随着即时检验技术和计算方法学的不断发展,实时表型评估在未来可能变得可行。然而,需要前瞻性验证研究来确定表型指导策略是否能有意义地改善临床结局或资源利用,以及它们是否能转化为院前创伤管理的循证方案。

本研究存在若干局限性。第一,尽管使用了便利样本,但病例招募是在多个EMS系统和地理环境中连续进行的(24/7/365),以减少选择偏倚。尽管如此,使用非概率样本可能限制研究结果对其他具有不同组织结构、分诊方案或资源可及性的院前系统的推广性。第二,数据提取者未设盲,可能引入信息偏倚。为将这一风险降至最低,EMS提供者无法获取医院随访数据,急诊科提供者无法获取院前数据;仅主要研究者和数据管理员处理完整数据集和表型推导。然而,数据记录中的某些主观因素无法完全排除。第三,尽管即时检验在院前护理中的应用日益增多,但特定生物标志物的可及性因EMS系统而异。因此,在没有类似设备或培训的环境中复制可能具有挑战性,需要外部验证来评估可重复性和适用性。第四,在超急性现场阶段收集的分析变量可能无法完全反映不断演变的临床状况。某些参数,如血红蛋白,可能由于从受伤到采样的时间间隔较短而在活动性出血情况下仍保持不变,可能影响聚类分配和表型解读。第五,由于这是一项观察性探索性表型分型研究,所识别的聚类不应被解释为因果性或确定性的。无监督聚类可能对变量选择和建模假设敏感,因此表型的稳定性需要在独立队列中确认。最后,部分研究时段与SARS-CoV-2大流行重叠,在此期间创伤流行病学因流动限制而发生了显著变化。这一时期多发伤事件发生率的降低可能影响样本的代表性,这些时间效应应在未来的纵向或流行病学分析中加以考虑。

总之,由紧急医疗服务(EMS)管理的创伤患者可分为3种临床表型,对治疗和结局具有意义。T−1表型与更差的结局、更多的重症监护病房(ICU)入住、更多的挽救生命干预(院前和院内)以及短期死亡率相关。这种分层有助于个性化医疗,从首个救治点开始实施精准医疗代表了院前危重症监护的一种新方法。

补充信息

补充材料1。

参考来源

  1. Pérez-García R, Alonso E, López-Izquierdo R, et al. Artificial intelligence-driven clustering for phenotyping life-threatening prehospital trauma. Scand J Trauma Resusc Emerg Med. 2026. PMID: 41535939. doi:10.1186/s13049-026-01553-0
  2. 全文:PMC12892782(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12892782/

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。