在挪威创伤数据上评估瑞典OSISP现场损伤严重度预测模型的性能和潜在临床获益
本研究为注册研究,将基于瑞典创伤登记(SweTrau)2013-2020年数据开发的XGBoost OSISP模型,外部验证于挪威创伤登记(NTR)2017-2022年数据,纳入成人、院前资源参与、从现场直接转运、现场存活且NISS>15为严重创伤定义。OSISP单独应用时漏诊率5.0%但过度分诊率61.0%;与NTR分诊结果联合使用时漏诊率2.7%、过度分诊率19.7%(当前临床实践分别为56.0%和30.6%),死亡率从4.1%降至3.4-3.5%。模型对老年和北部地区患者也显示改善分诊的潜力。
要点
- OSISP在NTR外部验证的总体性能:AUCROC=0.83、AUCPR=0.64、Brier score=0.14、校准斜率=0.79、校准截距=-0.09。
- OSISP与NTR分诊联合使用时,漏诊率降至2.7%、过度分诊率降至19.7%,而当前临床实践漏诊率56.0%、过度分诊率30.6%。
- OSISP单独应用时漏诊率5.0%但过度分诊率升至61.0%,提示不宜单独用于分诊决策。
- 联合OSISP后死亡率从4.1%降至3.4-3.5%,对老年和挪威北部地区等常被漏诊人群也观察到改善。
- 严重创伤定义为NISS>15;NTR纳入数据中25.2%为NISS>15,SweTrau为16.9%。
适用人群与场景
- 成人创伤患者(≥15岁),需有院前资源参与、从事故现场直接转运至医院、且到达现场时存活。
- 排除:儿科创伤患者(因生理反应不同,需单独开发儿科OSISP模型);NTR 2015年1月1日至2016年12月31日数据因登记流程不一致被排除。
- 适用场景为院前现场分诊,由EMS人员使用;不适用于院内分诊或已转运后的决策。
诊断标准与关键阈值
- 严重创伤定义:新损伤严重度评分(NISS)>15;敏感性分析另用ISS>12、ISS>15、NISS>12作为次要定义。
- OSISP-U5阈值:取敏感度0.95(对应漏诊率5%)的概率阈值进行二分类预测。
- OSISP-O35阈值:取假阳性率0.35(对应过度分诊率35%)的概率阈值进行二分类预测。
- ACS-COT推荐的漏诊率和过度分诊率目标分别为5%和25-35%。
处置流程与药物剂量
- 第一步:在事故现场采集OSISP预测因子,包括年龄、性别、气道管理、AIS区域(头、面、颈、胸、腹、脊柱、上肢、下肢、体表)、是否心脏骤停、主要损伤类型、GCS运动分量、损伤意图、损伤机制、呼吸频率、响应时间、季节和收缩压。
- 第二步:将上述变量输入XGBoost OSISP模型,输出患者为严重创伤(NISS>15)的概率。
- 第三步:按所选阈值(如OSISP-U5对应敏感度0.95,OSISP-O35对应假阳性率0.35)将概率转为二分类预测,阳性预测建议转运至创伤中心(TC),阴性预测建议转运至非创伤中心(NTC)。
- 第四步:将OSISP预测与现有NTR分诊结果联合使用(原文未给出具体联合算法细节),联合应用时漏诊率2.7%、过度分诊率19.7%。
- 原文未提及具体药物剂量、给药途径、频次或疗程。
红旗征与不能漏的情况
- OSISP单独使用时过度分诊率高达61.0%,可能导致大量非严重创伤患者被过度转运至TC,需警惕资源挤占。
- 当前临床实践中漏诊率高达56.0%(NTR数据),老年和农村地区患者漏诊比例尤其高,需特别关注这些人群的分诊准确性。
- 原文未提及具体需要立即处理或不能漏诊的临床情况及其处理措施。
研究设计与关键结果
- 研究类型:注册研究,外部验证AI模型;数据来源为瑞典创伤登记(SweTrau)2013-2020年用于模型开发,挪威创伤登记(NTR)2017-2022年用于外部验证。
- 样本量:SweTrau原始登记75,602条,符合纳入标准47,357条;NTR原始登记76,529条,符合纳入标准29,709条。
- 人群:成人创伤患者(≥15岁),有院前资源参与、从现场直接转运、现场存活;NTR纳入人群中NISS>15占25.2%,SweTrau占16.9%。
- 干预与对照:OSISP模型(XGBoost,基于SweTrau训练)应用于NTR数据,与当前临床分诊实践比较。
- 主要终点:OSISP在NTR的总体性能AUCROC=0.83、AUCPR=0.64、Brier score=0.14、校准斜率=0.79、校准截距=-0.09。
- 关键结果:OSISP单独应用漏诊率5.0%、过度分诊率61.0%;与NTR分诊联合应用漏诊率2.7%、过度分诊率19.7%(当前实践漏诊率56.0%、过度分诊率30.6%)。
- 死亡率:联合OSISP后死亡率从4.1%降至3.4-3.5%。
- 亚组:对老年和挪威北部地区患者也观察到改善分诊的潜力。
证据类型、等级与局限
- 证据类型:注册研究,外部验证(非RCT)。
- 局限:原文未明确列出研究局限;从设计可见为回顾性注册数据分析、非随机对照、模型未更新、未记录EMS分诊决策和事发地理位置(需假设严重创伤应转运至TC)。
对床旁实践的改变
- OSISP可作为院前分诊的辅助决策支持工具,与现有分诊结果联合使用可降低漏诊率和过度分诊率。
- 不建议单独使用OSISP进行分诊决策,因其单独应用时过度分诊率高达61.0%。
- 适用人群为成人创伤患者(≥15岁),不适用于儿科创伤患者。
- 常见陷阱:原文未记录EMS人员分诊决策和事发地理位置,计算漏诊/过度分诊时假设严重创伤应转运至TC、非严重创伤应转运至NTC,实际应用中需注意此假设的局限性。
指南或共识出处
- 原文未提及
全文中译31 节 · 点击展开
背景
过去几十年,急诊医疗服务(EMS)对院前急救的需求不断增加[1–4],这是多种因素共同作用的结果,例如人口老龄化[2, 3]、心理健康问题增多[4],以及患者对自身病情紧迫性的认知态度发生变化[5]。创伤在EMS任务中占很大比例[6],据估计在全球范围内导致8%的死亡[7],且常导致终身残疾[7, 8],由此造成的全球成本估计达1.9万亿美元[8]。为提高生存机会,国际建议提出,严重创伤患者应直接转运至资源水平最高的救治机构(创伤中心,TC)[9]。用于评估患者病情的现场分诊方案可通过以下指标进行回顾性评价:分诊不足(严重创伤患者被转运至非创伤中心,NTC)和分诊过度(非严重创伤患者被转运至TC)[9]。美国外科医师学会创伤委员会(ACS-COT)建议分诊不足率和分诊过度率分别为5%和25–35%[9]。然而在实践中,推荐水平难以达到[10, 11],有报告显示分诊不足率和分诊过度率分别为9–61%和10–90%,均不理想[12–15]。尤其是老年患者和农村地区患者的分诊不足比例较高[16, 17]。总而言之,EMS人员面临艰巨任务,一方面承受着处理数量不断增加、病情较轻但仍复杂且耗时的任务[18]的巨大压力,另一方面还要应对分诊挑战并优化危重症的救治[19]。因此,开发支持EMS人员评估创伤的技术对于保障患者安全至关重要。
挪威和瑞典是两个具有相似性的北欧国家,例如创伤患者队列[17]和地理挑战相似,但创伤救治的管理组织不同。挪威已建立国家创伤系统,明确了TC和严重创伤患者的转运指南[17],而瑞典有21个医疗区域负责各自区域内的医疗服务提供,且没有国家创伤系统[20]。在评估创伤救治的研究中,两国均报告了与ACS-COT推荐水平相比的高分诊不足率和分诊过度率[17, 20–22]。瑞典和挪威报告的国家死亡率分别为4.0%和3.1%[17, 20],其中挪威北部严重创伤患者的死亡风险增加[17]。同时,有报告显示严重创伤患者在TC接受治疗相比NTC死亡率降低[17, 20]。因此,改进现场分诊工具以更准确地识别需要直接转运至TC的严重创伤患者,具有降低死亡率的潜力。
我们研究小组Care@Distance(位于瑞典哥德堡查尔姆斯理工大学)及同事旨在开发临床决策支持系统(CDSS)以支持紧急医疗服务(EMS),尤其是针对创伤等危重情况,并利用数据融合和人工智能(AI)优化风险模型。此前关于创伤的工作提出了现场伤害严重度预测(OSISP)概念,指的是一种可由EMS人员在事发现场部署的CDSS,用于评估患者受重伤的风险。OSISP概念已在概念验证研究中用代表机动车碰撞的数据[23–25]以及瑞典创伤登记处(SweTrau)登记的事件数据[26]进行了测试,显示出降低分诊不足率和过度分诊率的潜力。van Heijl及其同事在荷兰开发了类似的风险模型[27],其潜在临床获益与OSISP一致。
多项研究表明AI有改善临床结局的潜力,然而临床实施鲜有实现[28]。一个障碍是缺乏模型验证[28],尤其是外部验证,即在与发展数据存在结构差异的新数据上评估模型,例如来自不同地点或诊疗环境的数据[29]。外部验证期间观察到的性能变化可作为指标,判断模型性能能否在相似但新的数据上重现[29],这有助于研究人员避免研究浪费,并为未来临床实施保障患者安全。本文旨在通过开展外部验证研究OSISP在未来患者中的表现,即将基于瑞典创伤数据开发的OSISP模型应用于挪威创伤数据并进行评估,并评估其在改善分诊方面的潜在临床获益,以及识别当前临床常规中漏诊的脆弱患者群体。
方法
研究设计
这是一项登记研究,在挪威创伤数据上对基于AI的OSISP模型进行外部验证,以评估其预测能力是否可迁移至相似的创伤人群,该数据对所开发的算法而言代表未见数据。本研究遵循个体预后或诊断多变量预测模型的透明报告(TRIPOD)+ AI [30]进行报告,另附文件提供清单[附加文件1]。未制定研究方案。
研究背景与数据来源
本研究使用的 OSISP 模型是在先前一项研究中开发的,该研究使用了瑞典的数据。瑞典是一个狭长国家,陆地面积约 410,000 km2 [31],人口密度约 25.8 人/km2 [32]。全国有 21 个医疗区域,每个区域负责本区域的创伤救治,设有区域组织和区域创伤中心(TC)。美国外科医师学会创伤委员会(ASC-COT)定义的 TC 级别不能直接套用于瑞典的 TC,原因有几点:瑞典的创伤事件数量不足以达到 I 级 TC 的最低标准;所有区域 TC 都不具备 I 级 TC 所需的资源(例如烧伤中心);某些培训和研究产出也未达标(例如没有创伤登记员,也没有外科重症监护病房)。因此,本研究将瑞典的 TC 定义为大学医院兼区域 TC,而将 NTC 定义为非大学医院/非区域 TC,后者能够接收并使患者稳定,必要时将其转送至 TC,这与 [20, 26] 中的方法类似。瑞典有十个配备麻醉科医师的直升机紧急医疗服务(HEMS)[33],各区域的可及性不一,少数区域未被覆盖。目前正在努力统一创伤救治,采用两级国家创伤预警标准,该标准遵循基于规则的逻辑,利用解剖学和生理学标准、损伤机制及附加观察点来评估患者是否存在危及生命的损伤(1 级)或严重损伤(2 级)[34]。在患者现场分诊期间收集的发现会报告给急诊科(ED)护士,护士利用这些信息决定接收医院是否需要启动全员或有限创伤团队[34]。
在瑞典,重大创伤事件的数据收集于国家质量登记系统 SweTrau [26],该系统于 2011 年开始数据收集[35],基于 Utstein 协议推荐的用于重大创伤统一报告的可变设置[36]。登记由各联网医院指定的护士完成,该护士汇总院前和院内救治阶段收集的信息[35]。全国共有 49 家急诊医院,自 2022 年 5 月起均已接入该登记系统[35]。在模型开发数据所代表的时期(2013 年至 2020 年),84–96% 的急诊医院接入了 SweTrau,其中 69–86% 报告了数据[35]。严重损伤患者的估计覆盖率范围为 63% 至 68% [35]。
在本研究中,OSISP模型在挪威创伤数据上进行了外部验证。选择挪威作为目标的原因在于其与瑞典的相似性和差异性。挪威具有相似的地理形态,陆地面积约323,000 km2 [37],人口密度约17.0人/km2 [38],有13名麻醉科医生配备的HEMS从12个地点运行,以及六架麻醉科医生配备的救援直升机 [39]。有四个创伤区域,每个区域有一个指定的TC,另有34所额外的创伤医院收治可能危及生命的患者 [39]。少数情况下,创伤病例可能被收入普通外科设施,然后转运至38所创伤接收医院之一。ASC-COT定义的TC级别可转用于挪威TC,挪威东南创伤区域的TC为I级TC,其余三个创伤区域的TC为II级。用于评估患者的现场分诊方案使用解剖和生理类别、损伤机制和额外观察点 [40]。现场分诊期间的发现通过调度单位报告给急诊科护士协调员,并根据这些信息做出创伤团队启动的决定 [40]。在最近的一项研究中,报告了对创伤标准的良好依从性 [41]。共同的地理和人口挑战,加上已建立的国家创伤护理系统的结构性差异,促使在挪威创伤数据上进行外部验证。
在挪威,相当于SweTrau的是挪威创伤登记处(NTR),这是一个国家质量登记处,也基于Utstein协议的变量设置收集数据 [39]。数据收集始于2015年,所有38所创伤医院都有义务向NTR提交数据 [39]。在外部验证数据所代表的时期(2015年至2022年),85–100%的医院向NTR报告,接受创伤团队接收的患者的覆盖率为100%,当未接受创伤团队接收的患者纳入覆盖数时,覆盖率为92% [42]。从NTR所需的样本量约为16,500,使用Buderer在[43]中提出的样本量方程估算,设定敏感性=90%(等于10%漏诊),特异性=75%(等于25%过度分诊),显著性水平α=0.05,95%置信区间容差W=±1%,患病率=21%(根据NTR年度报告估算)。SweTrau和NTR的纳入和排除标准列于表1 [35, 42]。
步骤1. 数据处理
原始登记数据按照开发研究[26]中描述的程序进行处理并准备用于分析。总之,处理包括变量生成(预测变量和结局变量)、数据清洗(处理缺失数据、排除与研究关注变量相关的登记手册不一致的值、排除重复记录)、应用纳入标准,以及将预测变量和结局变量中的分类值转换为二分类列(即独热编码),以使数据格式可被模型处理。该处理对SweTrau和NTR数据均进行了实施,最终得到每个登记系统的排除和纳入数据集。
预测变量的生成基于开发研究[26]中已确定的预测变量:年龄、气道管理、简明损伤定级(AIS)区域(头部、面部、颈部、胸部、腹部、脊柱、上肢、下肢和外伤部位)、心搏骤停、主要损伤类型、格拉斯哥昏迷量表运动分量表、性别、损伤意图、损伤机制、呼吸频率、响应时间、季节和收缩压。所有预测变量均被认为可由急救医疗服务(EMS)人员在事故现场采集,预测变量分类的详细信息见开发研究。由于预测变量来源于Utstein方案[36]和AIS编码方案[44],仅需两项操作即可协调SweTrau和NTR的预测变量:(1)对无缺失数据的NTR预测变量添加“未知”水平;(2)将NTR中对应于不适用状态的“-1”值(例如医院当时未记录该变量)编码为“未登记”并予以排除。
结局变量的生成基于OSISP在开发研究[26]中预测的二分类结局:患者是否遭受严重损伤。严重损伤患者的主要定义为新损伤严重度评分(NISS)[45] > 15。使用常用的NISS和损伤严重度评分(ISS)[45]阈值定义严重损伤患者进行了次要定义的敏感性分析[46]:ISS > 12、ISS > 15和NISS > 12。ISS和NISS被认为是合适的结局指标,因为这些评分基于AIS编码计算,而AIS编码由经过培训的专业卫生人员系统登记。AIS编码、NISS评分和ISS评分在SweTrau和NTR中均有登记,由各医院的登记护士使用患者记录中的信息进行编码[35, 47]。
缺失和未知数据被归为一组并作为“未知”预测变量水平添加,以使模型适应可能无法获得完整数据的院前环境,操作程序依照开发研究[26]中的方法。未进行其他缺失数据管理技术,因为在开发研究[26]中比较不同技术时未发现模型性能的显著差异。
为选择代表OSISP预期环境的参与者,应用了四项纳入标准:(1)涉及院前资源;(2)从事件现场直接转运至医院;(3)成人创伤(≥ 15岁);(4)在现场时存活。该研究聚焦于成人,因为他们处于创伤高风险[8],同时也因为儿童创伤患者对创伤的生理反应不同[48],这促使未来开发单独的儿童OSISP模型。最后,由于登记过程的不一致,NTR初始期间(2015年1月1日至2016年12月31日)的数据被排除。
步骤2. 比较登记数据
为探究被排除的SweTrau与NTR数据之间,以及被纳入的SweTrau与NTR数据之间是否存在任何统计学显著差异,使用卡方检验、Fisher精确检验对预测因素和结局进行了独立性检验,在Fisher精确检验中出现大型列联表时则使用蒙特卡洛模拟[49]。对于被排除的数据集,由于“未登记”值属于NTR特有且与预测因素或结局无关,在独立性检验中将其排除。独立性检验在p值≤ 0.05时被认为具有统计学显著性。
步骤3. 计算登记数据分诊
对被纳入的SweTrau和NTR数据,采用两种不同方法计算分诊不足率和分诊过度率:(1)基于ACS-COT定义的公式,以及(2)基于创伤团队启动(TTA)定义的公式。第一种方法使用ACS-COT的现场分诊定义来界定分诊不足和分诊过度[9],其中分诊不足被定义为“严重受伤患者被转运至较低级别TC或其他急性护理机构”,分诊过度被定义为“轻微受伤患者被转运至较高级别TC”。ACS-COT的定义基于其对急性护理医院的TC分类,其中医院可被分类为NTC,或I、II或III级TC [50]。如果将ACS-COT的TC定义(I至III级)应用于瑞典医院,则没有一家能满足I级TC的定义。在挪威,只有奥斯陆大学医院Ullevål符合I级TC的标准[39]。因此,在本研究中使用了ACS-COT的TC定义的近似值。在瑞典,按照Candefjord及其同事早期研究[20]的程序,大学医院被近似视为TC,其余急性护理医院视为NTC,结果得到七家TC。请注意,卡罗林斯卡大学医院由两家医院组成,一家位于斯德哥尔摩,一家位于Huddinge。只有斯德哥尔摩的卡罗林斯卡应接收严重受伤患者,因此被编码为TC,而Huddinge医院被编码为NTC。在挪威,创伤转诊中心被分类为TC,其余为NTC [39],结果得到四家TC。SweTrau和NTR均未收集关于EMS人员分诊决策或事件地理位置的数据。因此,计算假设严重受伤患者本应被转运至TC,而非严重受伤患者本应被转运至NTC。基于ACS-COT定义的分诊不足(U)率和分诊过度(O)率分别用式1和式2计算,并涵盖敏感性分析中使用的四种不同结局定义。
计算分诊不足和分诊过度的第二种方法使用了TTA对分诊不足和分诊过度的定义[47],其中分诊不足被定义为“具有极严重损伤(ISS ≥ 16)的患者未被创伤团队接诊”,分诊过度被定义为“被创伤团队接诊但没有严重损伤、因此理论上不需要创伤团队接诊的患者”。TTA定义考虑的是患者被创伤团队接诊,而非转运至创伤中心(TC)。与ACS-COT计算的近似方法类似,本方法近似认为严重损伤患者本应被创伤团队接诊,而非严重损伤患者本不应被创伤团队接诊。基于TTA定义的分诊不足(U)率和分诊过度(O)率分别用公式3和公式4计算。
步骤4. 在SweTrau数据上训练模型
在开发研究中,OSISP在交叉验证设置和留出分析中进行了评估[26],未保存最终模型。因此,本研究使用纳入的SweTrau数据重新训练了一个OSISP模型,预测变量和结局指标如开发研究[26]所述。选择极端梯度提升(XGBoost)模型是因为它在开发研究报告的大多数指标上表现良好。经验证,其性能与开发研究[26]相似。共训练了四个XGBoost模型,每个结局定义各一个(ISS > 12、ISS > 15、NISS > 12和NISS > 15)。
步骤5. 在NTR数据上应用模型
将重新训练的OSISP模型应用于纳入的NTR数据,生成登记患者为严重损伤患者的概率。这些概率用于通过受试者工作特征(ROC)曲线、精确率-召回率(PR)曲线和校准曲线可视化OSISP的总体性能。ROC曲线显示灵敏度/召回率对假阳性率(1 - 特异度)的关系,一个好的模型应达到接近1的高灵敏度和接近0的低假阳性率[51]。PR曲线显示精确率/阳性预测值(PPV)对灵敏度/召回率的关系,一个好的模型应同时达到接近1的高精确率和高灵敏度[52]。校准曲线显示观察概率对预测概率的关系,一个好的模型应达到紧密对齐,即曲线与对角线密切贴合[53]。如果校准曲线位于对角线下方,则模型欠自信;如果位于对角线上方,则模型过自信。计算的总体性能指标包括ROC曲线下面积(AUCROC)、PR曲线下面积(AUCPR)、校准斜率、大范围校准和Brier评分。一个好的模型应达到接近1的AUCROC和AUCPR[51, 52]。校准斜率和大范围校准分别是校准曲线的估计斜率和截距,对于好模型和差模型分别接近1和0[53]。Brier评分将预测概率与观察结局之间的差值求和,再除以预测数量,一个好的模型应达到接近0的低评分[54]。对每个OSISP模型重复了该分析。校准分析后未更新OSISP模型,也未应用类别不平衡方法。
本文将OSISP模型的性能与已发表模型及NTR中的临床结局进行了比较。据作者所知,关于院前环境下预测严重创伤患者的已发表文献数量有限。因此,与已发表模型的比较仅限于早期的OSISP文献[23–26]以及与荷兰创伤模型相关的研究[27, 55]。
步骤6。在选定的现场检伤分类能力下于NTR数据上评估模型
OSISP在两种选定的现场检伤分类能力下于NTR数据上进行了评估,即5%漏诊和35%过度分诊(ACS-COT推荐的检伤分类水平),以便对OSISP作为已部署模型进行具体解读。当使用ACS-COT的现场检伤分类定义时,ROC曲线的敏感度轴和假阳性率轴分别对应于1-漏诊率和过度分诊率。由于ROC曲线上的每个数据点对应于一个概率阈值,该阈值将较大概率转换为阳性预测(严重创伤)并将较小概率转换为阴性预测(非严重创伤),因此ROC曲线可用于研究具有固定检伤分类能力的模型。在本研究中,产生0.95敏感度和0.35假阳性率的概率阈值被用于研究选定现场检伤分类能力下的OSISP模型,以下分别称为OSISP-U5(5%漏诊)和OSISP-O35(35%过度分诊)。每个阈值被用于将产生的概率转换为二分类预测,并按表2所示计算点性能指标:准确率、F1分数、阳性预测值(PPV)/精确率、阴性预测值(NPV)、观测/期望(O/E)比和敏感度/召回率[53, 56]。在本研究中,真阳性(TP)对应于被预测为严重创伤的严重创伤患者,假阳性(FP)对应于被预测为严重创伤的非严重创伤患者,真阴性(TN)对应于被预测为非严重创伤的非严重创伤患者,假阴性(FN)对应于被预测为非严重创伤的严重创伤患者。对四个OSISP模型(ISS > 12、ISS > 15、NISS > 12和NISS > 15)分别重复了该分析。
对于OSISP-U5和OSISP-O35,漏诊率(U)和过度分诊率(O)均根据ACS-COT现场检伤分类定义(公式5和6)计算,并涵盖了敏感性分析中使用的四种不同结局定义。由于未记录EMS人员的检伤分类决策或事件的地理位置这一局限性,假设阳性预测将被转运至创伤中心(TC),阴性预测将被转运至非创伤中心(NTC)。对OSISP-U5和OSISP-O35以及四种结局定义(ISS > 12、ISS > 15、NISS > 12和NISS > 15)分别重复了计算。
步骤7。在NTR数据上评估临床影响:OSISP作为独立临床决策支持系统(CDSS)
通过比较NTR数据中的分诊不足率和过度分诊率与OSISP-U5和OSISP-O35产生的分诊不足率和过度分诊率,评估OSISP作为独立临床决策支持系统(CDSS)对未来患者的临床影响。为深入了解脆弱群体的公平性和性能,将分诊准确率按以下亚组进行细分:年龄[15岁(儿科)、16–45岁(青年)、46–60岁(中年)、61–75岁(老年)、>75岁(高龄)][20]、性别[女性、男性]和地区[中部、北部、东南部和西部][17]。此外,报告了分诊不足和过度分诊队列的30天死亡率。对四种结局定义(ISS > 12、ISS > 15、NISS > 12和NISS > 15)分别重复了该分析。
步骤8. 评估对NTR数据的临床影响:OSISP作为补充性CDSS
还评估了OSISP作为补充性CDSS对未来患者在分诊不足和过度分诊方面的临床影响,即OSISP与当前分诊工具联合使用作为CDSS。首先,使用NTR登记数据中分诊错误的患者(在步骤3中计算)来近似当前分诊工具的性能。从这些分诊错误的患者中,移除OSISP正确预测的患者(在步骤6中计算)。剩余的分诊错误患者比例报告为使用OSISP作为补充性CDSS时的估计临床影响,也可称为相对补集(见图2中的维恩图)。在计算分诊错误的NTR数据以近似当前分诊工具性能时,分析同时考虑了ACS-COT和TTA分诊定义(步骤3)。在ACS-COT定义( 和 )的情况下,对OSISP-U5和OSISP-O35重复了分析,并对四种结局定义(ISS > 12、ISS > 15、NISS > 12和NISS > 15)分别重复。在TTA定义( 和 )的情况下,对OSISP-U5和OSISP-O35重复了分析,但仅针对结局定义ISS > 15。结果按步骤7所述进行细分,亚组包括年龄、性别和地区。此外,报告了分诊不足和过度分诊队列的30天死亡率。
进行了生存获益分析,以估计通过提高分诊准确率将更多严重创伤患者送至创伤中心(TC)治疗可能挽救的潜在生命数,即估计被当前分诊方案错误分诊但被OSISP正确分诊的获益严重创伤患者的死亡率降低。Dehli等人[17]发现,挪威的严重创伤患者直接收入TC相比收入非创伤中心(NTC)的生存比值比为2.04。因此,通过假设该比值比对应约50%的30天死亡率降低来估计潜在可挽救生命数。基于潜在可挽救生命数,计算了纳入数据中OSISP干预前后的死亡率。在提取获益患者时,分析仅考虑ACS-COT分诊定义(步骤3),分诊定义和分析重复如上述补充性临床影响所述。
伦理考量
在瑞典,该研究获得了瑞典伦理审查委员会和SweTrau的批准。在挪威,该研究获得了NTR的批准。由于该研究已获得瑞典伦理审查委员会的批准并在瑞典进行,因此无需额外的挪威伦理批准。
软件和分析代码的可用性
分析使用Python作为编程语言进行,采用模块化结构的代码,包含四个主要脚本,分别用于生成处理后的数据、比较登记数据、训练OSISP模型和评估模型。代码在查尔姆斯计算科学与工程中心执行。Microsoft Copilot(GPT-4)通过查尔姆斯理工大学提供的许可证使用,在代码调试过程中作为辅助工具使用。分析代码不公开可用,但可以使用标准统计软件和手稿中描述的方法进行复现。Python版本和软件包版本见附加文件[见附加文件2]。OSISP模型以pickle格式保存,作者可在合理请求下提供。
结果
参与者和登记数据描述
分析工作流程的第1步产生了图3所示的参与者选择流程图。原始SweTrau数据包含75,602条登记记录,数据处理后,排除了28,245条(37.4%),纳入了47,357条(62.6%)。原始NTR数据包含76,529条登记记录,数据处理后,排除了46,820条(61.2%),纳入了29,709条(38.8%)。
严重损伤结局定义的描述性统计见图3。排除和纳入的NTR预测变量数据的描述性统计见表3,SweTrau数据的对应表格已在[26]中报道。对于所有结局定义,纳入的NTR数据中严重损伤的患病率均高于SweTrau。
SweTrau和NTR数据的比较
在第2步中进行的独立性检验,用于比较排除的SweTrau和NTR数据,结果显示除AIS区域“下肢”和“上肢”外,所有预测变量均具有统计学差异,所有结局均具有统计学差异。对于纳入的SweTrau和NTR数据,独立性检验显示除AIS区域“腹部”和“上脊柱”外,所有预测变量均具有统计学差异,所有结局均具有统计学差异。
SweTrau和NTR登记分诊
由第3步得出的SweTrau和NTR数据中的分诊不足和分诊过度情况见表4。分诊定义对计算有显著影响,其中ACS-COT定义导致较大的分诊不足值(39.4–58.1 vs 15.5–19.7),而TTA定义导致较大的分诊过度值(85.4–90.4 vs 30.3–44.4)。对于ACS-COT定义,NTR的分诊不足值最高,而SweTrau的分诊过度值最高。对于TTA分诊定义,SweTrau的分诊不足值和分诊过度值均最高。
OSISP在NTR数据上的性能
步骤5获得的OSISP在将重伤定义为NISS > 15时的整体模型性能指标报告于表5,并在图4的ROC曲线、PR曲线和校准曲线中可视化。ROC曲线趋向左上角,而PR曲线与对角线接近重合,表明模型在NTR数据上的性能与在SweTrau数据上相似。AUCROC和AUCPR显示OSISP模型在识别NTR数据中的重伤患者方面表现良好。校准图和指标揭示了较小的校准偏差,导致OSISP略微低估低风险重伤患者,并在中等程度上高估高风险重伤患者。这意味着对于OSISP给出低重伤概率的患者,登记数据中的实际风险略高,而对于OSISP给出高重伤概率的患者,登记数据中的实际风险较低。替代结局定义的敏感性分析相应结果呈现在附加文件中[见附加文件3]。
OSISP在选定分诊能力下对NTR数据的性能
基于ROC曲线数据,OSISP在步骤6中按照ACS-COT推荐的分诊水平进行评估。表6呈现了训练为预测重伤定义为NISS > 15的OSISP模型在各评估点的模型性能指标。OSISP-U5优先考虑高召回率(低漏诊率), consequently大幅增加了假阳性数量,导致模型在大多数性能指标上表现较为一般。OSISP-O35期望中等召回率, consequently以较小程度增加了假阳性数量,导致模型在其余性能指标上表现更为均衡。替代结局定义(ISS > 12、ISS > 15和NISS > 12)的敏感性分析相应结果呈现在附加文件中[见附加文件3]。
OSISP作为独立CDSS使用时对NTR数据的临床影响
在步骤7中,基于ACS-COT的现场分诊定义,NTR登记数据中的漏诊率和过度分诊率以及OSISP作为独立CDSS实现的漏诊率和过度分诊率呈现于表7。正如预期,OSISP可能改善漏诊率或过度分诊率,但不能同时改善两者。值得注意的是,OSISP-U5可能将漏诊率从56.0%大幅降至5.0%,代价是过度分诊率从30.6%增至61.0%。OSISP-U5和OSISP-O35之间分诊准确率最高的共同组群为15岁患者、女性和北部地区。模型之间分诊准确率最低的共同组群为16–45岁患者、男性和东南地区。替代结局定义的敏感性分析相应结果呈现在附加文件中[见附加文件3]。
OSISP作为补充CDSS使用时对NTR数据的临床影响
在第8步中,NTR登记数据中的分类不足率和过度分类率,以及OSISP作为补充临床决策支持系统(CDSS)针对ACS-COT定义和TTA定义所产生的分类不足和过度分类,分别呈现在表8和表9中。尽管OSISP-U5和OSISP-O35作为补充CDSS均改善了基于ACS-COT计算的分类不足和过度分类(表8),但值得注意的是,OSISP-U5实现了满足ACS-COT推荐水平的分类不足率和过度分类率。OSISP-U5和OSISP-O35之间共享分类准确率最高的组别为15岁患者和女性,而分类准确率最低的组别为16–45岁患者、男性和东南地区。与表8对应的替代结局定义敏感性分析结果呈现在附加文件中[见附加文件3]。对于基于NTR的计算(表9),OSISP模型同样降低了分类不足和过度分类。模型之间共享分类准确率最高的组别为15岁患者、女性和北部地区,而分类准确率最低的组别为16–45岁患者、男性和东南地区。
纳入数据显示死亡率为4.1%(n = 1,232 / 29,709)。生存获益分析后潜在的死亡率降低呈现在表10中。对于获益患者,OSISP估计具有挽救203–223条生命的潜力,对应于OSISP-U5死亡率降至3.4%(n = 1,009 / 29,709),OSISP-O35死亡率降至3.5%(n = 1,029 / 29,709)。与表10对应的替代结局定义敏感性分析结果呈现在附加文件中[见附加文件3]。
讨论
结果摘要
在本研究中,我们进行了一项外部验证,以评估瑞典创伤模型OSISP在来自挪威的未见患者数据上的性能。独立性检验证实了SweTrau与NTR登记数据之间存在结构性差异,从而证明后者是评估OSISP在未来患者中性能的合适来源。将OSISP应用于NTR数据后,其总体区分重伤与非重伤的能力得到了成功验证,性能与开发研究[26]相似,且预测结果与观察结局总体一致,仅对预测重伤风险较高的患者存在轻度风险高估。我们观察到,根据ACS-COT和TTA定义,当前临床结局的分诊准确性均欠佳,分诊不足率分别为56.0%和15.5%。就临床影响而言,OSISP作为独立CDSS有潜力大幅改善分诊不足(从56.0%降至5.0%),但代价是分诊过度增加(从30.6%升至61.0%);而OSISP作为补充CDSS则同时改善了分诊不足(从56.0%降至2.7%)和分诊过度(从30.6%降至19.7%),从而达到ACS-COT推荐的分诊水平。在死亡率影响方面也观察到类似趋势,作为补充CDSS有潜力将总死亡率从4.1%降至3.4–3.5%。对于当前临床实践中常被错误分诊的脆弱群体,如老年人和来自北部地区的患者,我们注意到OSISP有潜力将分诊不足率分别从13.1%和4.6%降至0.2–1.7%和0.3–1.0%。总体而言,OSISP在提高分诊准确性方面显示出巨大潜力,可降低挪威创伤患者的死亡率并改善医疗结局。
解读
SweTrau与NTR登记数据及当前临床分诊准确性的比较
SweTrau与NTR登记数据及其分诊不足率和分诊过度率之间发现了若干差异。与SweTrau相比,NTR排除的数据比例更大(图3)。一项对照显示,被排除的NTR数据中有79.1%是因入选标准而被移除(即未涉及院前资源、未从事故现场直接转运至医院、非成人创伤或现场院前死亡),这被认为是合理的依据。患者选择流程图显示,与纳入的SweTrau数据相比,纳入的NTR数据中重伤患者比例更大,非重伤患者比例更小(图3)。此外,用于比较各登记数据预测因子和结局的独立性检验发现,除两个预测因子外,所有预测因子和所有结局在统计学上均存在差异。无论采用ACS-COT还是TTA定义,SweTrau和NTR均具有较高的分诊不足率和分诊过度率(表4)。在比较登记数据时,就ACS-COT计算而言,NTR中观察到更高的分诊不足率和更低的分诊过度率;就TTA计算而言,NTR中分诊不足率和分诊过度率均更低。
综合来看,这些结果表明NTR队列与SweTrau队列存在差异,这被认为是合理的。尽管两个登记系统均聚焦于严重创伤,并基于Utstein方案推荐的可变项设置,但有四项纳入标准并不相同(表1)。这可能导致NTR纳入比SweTrau更广泛的创伤队列。对于ACS-COT计算,NTR中较高的漏诊率和较低的过度分诊率是预期之中的,因为与瑞典相比,NTR的创伤中心(TC)数量更少(四个对七个),使得在挪威将严重伤者直接转运至TC更具挑战性。此外,挪威的自然地理条件(如峡湾和高山)也可能对到达和转运患者构成更具挑战性的条件[57],可能导致严重伤者被转运至非创伤中心(NTC)以便后续转运至TC。对于TTA计算,NTR中较低的漏诊率和过度分诊率应谨慎解读,因为SweTrau的TTA变量存在大量缺失或未知数据(46.5%),无法据此计算分诊。在评估OSISP应用于NTR数据时的性能时,需要考虑这些差异。
总体模型性能
将模型应用于外部数据时,观察到模型性能与开发研究相比发生变化是常见的[58]。AUCROC和AUCPR是描述模型区分两个类别能力的两个指标[52, 53],即对于OSISP而言,区分严重伤与非严重伤。在开发研究中,OSISP以预测NISS > 15为目标进行训练并应用于SweTrau数据,获得的AUCROC为0.88,AUCPR为0.62 [26]。在本研究中,OSISP应用于NTR数据显示AUCROC小幅下降至0.83,AUCPR小幅上升至0.64(表5)。本研究的敏感性分析还显示,除结局ISS > 15的AUCPR降低至0.57外(附加文件3),其他替代结局定义下的性能相似(AUCROC为0.82–0.86,AUCPR为0.65–0.68)。AUCROC的下降被认为幅度较小,可能由SweTrau与NTR数据之间的差异来解释。AUCPR的升高是合理的,因为NTR中严重伤者的患病率更高。这使得预测中真阳性的比例更大,假阳性的比例更小,这可能减少精确率公式中的分母(表2),从而提高精确率。因此,ISS > 15的AUCPR大幅下降有些出乎意料,但与开发研究中的结局敏感性分析一致[26]。一种假设是,结局ISS > 15可能无法像其他结局定义那样在数据中提供清晰的模式。因此,OSISP的总体性能被认为在结局ISS > 12、NISS > 12和NISS > 15上得到了成功验证。
校准图和指标可反映预测结果与观察事件的吻合程度[53]。由于OSISP在训练预测NISS > 15时产生的校准曲线较好地沿对角线分布(图4),该模型被认为具有合理的校准度。然而,对于预测严重损伤风险高于0.6的患者,偏差较大,这种小的校准偏差反映在Brier评分、校准斜率和整体校准中(表5)。其后果是,预测严重损伤概率高于0.6的患者出现假阳性的风险增加,这不一定应被解读为问题,而更像是一种安全网,支持减少漏诊分诊的目标。因此,OSISP的校准偏差是否可接受,将取决于医疗机构对漏诊分诊和过度分诊的目标。结局的敏感性分析产生了相似的校准图和解释,支持校准充分的结论,但训练预测NISS > 12的OSISP除外,后者在约0.3–0.5的概率区间内与对角线的偏差更大(附加文件3)。由于训练预测NISS > 12的模型的校准曲线位于对角线上方,它可能低估这些患者,增加假阴性的风险,从而增加漏诊分诊的风险。由于创伤救治中通常优先考虑减少漏诊分诊,建议对NISS > 12的模型进行重新校准或修订模型开发。
选定分诊能力下的模型性能
在推荐的现场分诊水平——5%漏诊分诊(OSISP-U5)和35%过度分诊(OSISP-O35)——下研究OSISP,可以估计其在临床实践中部署时的潜在性能。基于不同的分诊能力以及NTR数据中严重损伤者远少于非严重损伤者的不平衡性,预期真阳性、真阴性、假阳性和假阴性的比例会存在差异,主要是OSISP-U5的准确率和PPV较OSISP-O35更小。这一预期在结果中得到证实,F1评分和NPV相当,而准确率、PPV和召回率存在中至大的差异(表6)。在替代结局定义的敏感性分析中也可观察到类似趋势(附加文件3)。在临床上,这意味着OSISP-U5由于具有更高的召回率(更低的漏诊分诊),将更善于识别严重损伤患者,而OSISP-O35在区分严重损伤与非严重损伤方面具有更均衡的能力。在临床环境中,低漏诊分诊通常优先于低过度分诊,因此医疗机构必须决定漏诊分诊与过度分诊之间何种权衡是可接受的。开发研究未报告选定分诊能力下的这些指标,因此无法用于比较结果。
OSISP-U5和OSISP-O35的O/E比均较低(表6),在替代结局定义的敏感性分析中也发现了类似结果(附加文件3)。由于该指标反映观察结局与预测结局之间的一致性,结果表明两种模型均高估了患者严重受伤的风险。在临床上,这意味着以减少漏诊分诊为代价增加过度分诊,并且根据医疗机构对漏诊分诊和过度分诊的可接受水平,可能需要对模型进行重新校准。
特定分诊能力下的临床影响
OSISP作为独立临床决策支持系统(CDSS)意味着仅使用OSISP做出的预测对患者进行分诊。对于该使用场景,OSISP-U5和OSISP-O35均显示出将漏诊分诊从56%分别降至5%和16.8%的潜力。这可被视为具有临床意义的大幅潜在降低。减少漏诊分诊方面的重大改善以过度分诊从30.6%分别增加至61%和35%为代价(表7)。提取的亚组显示出类似的趋势,即以增加过度分诊为代价减少漏诊分诊,但OSISP-O35模型在15–45岁患者以及中部或西部地区事件中除外,在这些情况下也可观察到过度分诊持平或减少。替代结局定义的敏感性分析也发现了类似结果(附加文件3)。
OSISP作为补充性CDSS意味着将国家创伤登记处(NTR)中注册的现有工具分诊与OSISP预测相结合来对患者进行分诊。对于该使用场景,当NTR分诊计算基于ACS-COT和TTA定义时,可注意到临床影响。在基于ACS-COT定义的NTR分诊结合OSISP预测的情况下(表8),OSISP-U5有助于将漏诊分诊从56%降至2.7%,将过度分诊从30.6%降至19.7%,满足ACS-COT推荐的分诊水平。值得注意的是,亚组中观察到的最大漏诊分诊和过度分诊分别为1.7%(男性和东南地区)和13.8%(男性),远低于ACS-COT推荐的分诊水平。OSISP-O35也具有积极的临床影响,有助于将漏诊分诊从56%降至9.8%,将过度分诊从30.6%降至11.8%,但不足以满足ACS-COT推荐的分诊水平。替代结局定义的敏感性分析也发现了类似结果(附加文件3)。在基于TTA定义的NTR分诊结合OSISP预测的情况下(表9),OSISP-U5有助于将漏诊分诊从15.5%降至0.4%,将过度分诊从85.4%降至44.8%;OSISP-O35有助于将漏诊分诊从15.5%降至2.3%,将过度分诊从85.4%降至28.6%。对于两种模型,所有提取的亚组均改善了漏诊分诊和过度分诊,其中男性是最常被错误分诊的亚组。由于5%漏诊分诊和35%过度分诊的推荐分诊水平是针对ACS-COT定义而设定的,因此未考虑将这些指标与之进行比较。
临床上,结果表明,作为独立临床决策支持系统(CDSS)使用的OSISP在理论上具有减少分诊不足的潜力,但无法降至ACS-COT推荐水平以下。然而,以5%分诊不足能力评估并作为辅助工具使用的OSISP,在理论上具有将分诊不足和分诊过度均降至ACS-COT推荐水平以下的潜力,同时还能改善转运时间(TTA)分诊,促进该特定用途的进一步发展。文献中发现老年人被错误分诊的风险增加[16],挪威北部地区死亡率风险增加已有报道[17]。基于OSISP作为独立和辅助CDSS的结果,两组的分诊不足均可得到改善(表7、8和9)。各亚组的分诊准确性可进一步用于补充OSISP的用户指南,并提醒紧急医疗服务(EMS)人员对错误分诊比例较高的群体(例如男性或来自东南地区的患者)更加关注。
分诊能力的提高可通过增加在创伤中心(TC)接受充分治疗的严重创伤患者数量来降低死亡率。OSISP作为独立工具降低了分诊不足组的死亡率,但增加了分诊过度组的死亡率(表7),而OSISP作为辅助工具则降低了分诊不足组和分诊过度组的死亡率(表8和表9)。这些结果表明,OSISP不仅能够改善现场分诊表现,还能识别处于危重状态的患者。然而,需要记住的是,死亡率分析基于回顾性数据。在临床环境中,多种因素影响患者结局,现场分诊表现的改善未必能保证死亡率的变化。生存获益分析(表10)提供了一种评估死亡率影响的替代方法,其中使用OSISP在护理流程中进行干预后估计死亡减少为0.6–0.7个百分点(n = 203–223)。考虑到分析中使用的NTR数据代表八年时间,OSISP在挪威每年可能潜在挽救25–27条生命。除死亡率改善外,医学结局的改善也可预期。替代结局定义的敏感性分析也发现了类似结果(附加文件3)。总体而言,有明确指征表明OSISP可通过增加接受TC护理的患者比例来促进死亡率降低,但需要前瞻性测试和可预防死亡调查来验证这些结果。
与现有模型的比较
OSISP的早期版本是基于机动车碰撞数据开发的。对于瑞典卡车乘员数据,OSISP被训练用于预测ISS > 15,在轻型卡车中达到0.81的AUCROC,在重型卡车中达到0.74 [23]。在5%的漏诊率下评估,轻型卡车的过度分诊率为85%,重型卡车为83% [23]。对于瑞典轿车乘员数据,OSISP被训练用于预测ISS > 8和ISS > 15,AUCROC分别达到0.78和0.83 [25]。在10%的漏诊水平下评估时,模型的过度分诊率分别为57%(ISS > 8)和53%(ISS > 15)[25]。对于美国机动车碰撞乘员数据,OSISP被训练用于预测ISS > 15,AUCROC在0.78–0.86区间内 [24]。在5%的漏诊率下评估,过度分诊率为59%;过度分诊率为25%时,漏诊率为13%;过度分诊率为35%时,漏诊率为20% [24]。
van Rein等人开发的模型基于荷兰创伤数据训练,用于预测ISS > 15,在开发数据中AUCROC为0.82,总体校准值为0.89,在外部验证数据中AUCROC为0.83 [27]。该模型未在ACS-COT推荐的分诊水平下评估,但在过度分诊率为50%时漏诊率为11% [27]。在另一项针对英国数据对荷兰模型进行外部验证的研究中,该模型的AUCROC为0.75,O/E比为2.47,总体校准值为-1.02 [55]。重新校准后,模型的AUCROC为0.75,O/E比为1.0,总体校准值为0.0 [55]。该模型未在ACS-COT推荐的分诊水平下评估,但在过度分诊率为50%时评估,漏诊率为17% [55]。在一项亚组分析中,在相同过度分诊率下评估时,该模型的漏诊率为12% [55]。
与既往OSISP模型和荷兰模型相比,本研究中的OSISP具有相当的AUCROC(0.83),但在英国数据上验证的荷兰模型除外,OSISP表现更优。本研究中的OSISP在5%漏诊率下与卡车事故OSISP相比改善了过度分诊,在5%漏诊率下与美国数据OSISP相比过度分诊加重,在35%过度分诊率下与美国数据OSISP相比改善了漏诊。由于评估点不同,本研究OSISP模型后的漏诊和过度分诊无法与机动车碰撞OSISP或荷兰模型进行比较。观察到的性能差异可能解释为既往OSISP模型是基于代表部分损伤机制(机动车碰撞)的数据开发的,而本研究中的OSISP模型是基于SweTrau登记的所有损伤机制开发的。
局限性
部分变量水平在数据中较为罕见(频率 < 20)。在开发过程中对数据进行重采样以均衡预测变量水平之间的分布,或对登记数较少的预测变量水平进行分组,可能是更合适的方法,并能确保模型利用了所有数据。
目前缺乏覆盖整个创伤人群的院前创伤数据。SweTrau和NTR均具有良好数据质量[41, 59],但这两个登记系统均侧重于收集可能代表严重创伤的事件数据。当审视急救医疗服务(EMS)人员所遇到的整个创伤人群时,会增加一组损伤较轻的患者,而OSISP在训练和评估中仅见过其中一小部分。例如,Larsson等的研究显示,一年内瑞典14%的EMS任务与创伤相关,其中不到5%被登记为严重损伤[60]。挪威预计也有类似趋势。使用代表整个创伤人群的数据来训练OSISP将是有益的,但此类数据库目前尚不可用或尚未成熟。
本研究基于回顾性数据评估OSISP,对临床影响的解读是理论性的,必须谨慎进行,因为由于不知道EMS人员的分诊决策和事件的地理位置这一缺陷,分诊计算被简化了。此外,迄今为止我们尚未评估EMS人员在现场使用OSISP等工具的能力,可能存在实际和理论上的困难,阻碍其在真实世界中的使用及改善分诊的潜力。例如,回顾一下为计算OSISP和NTR登记数据分诊所做的简化,即OSISP预测NISS > 15的所有患者将被视为转运至挪威四个创伤中心(TC)之一,因此被正确分诊,而在NTR登记数据中NISS > 15被送至非创伤中心(NTC)的患者将被视为分诊不足并被错误分诊。本研究中做出的这些简化将妨碍对临床影响作出有把握的结论,因为可能存在当地政策要求EMS人员将严重损伤患者转运至非创伤中心对应的医院,或者距离或转运时间可能过长。如果EMS人员遵循此类政策,那么在使用本研究中的分诊定义时,那些NTR登记将被标记为错误,这可能导致登记数据的分诊评估偏悲观,而模型数据的分诊评估偏乐观。因此,必须对该模型的性能和临床影响进行前瞻性评估以验证结果。
未来工作
本研究中使用的OSISP模型未达到大范围校准等于零。因此可能需要对模型进行重新校准。此外,对开发数据进行重采样以改善对已识别的分诊不足和分诊过度组的预测可能值得探索。然而,此类定制可能降低泛化能力并导致对挪威数据的过拟合。
建议进一步开展临床研究,探讨OSISP如何影响其他以患者为中心的结局指标。例如,关于重症监护病房入住、急诊手术、大量输血、住院时间、关键干预措施及任何永久性残疾的信息,有助于更清晰地了解可预防死亡的情况,以及分诊能力的改善是否转化为患者结局的实际改善。此类分析需要收集相关临床数据——从事件发生到院前和院内救治,再到随访——并由临床和统计专家对每一例分诊不正确的患者进行仔细审查。研究哪些特定损伤类型能从创伤中心(TC)救治中获益也很有意义。
大多数创伤研究为观察性、回顾性、不够稳健且证据等级较低[61]。因此,需要开展超越模型开发初期阶段的研究以提高证据等级。基于所显示的临床获益,对未来工作的建议是转向对OSISP进行前瞻性评估。例如,挪威的急救医疗服务(EMS)人员使用由Bliksund和Omda等公司提供的数字平台。通过将OSISP整合到此类平台中,可对其进行前瞻性测试以评估临床有效性。然而,在此类研究之前,必须根据对送往创伤中心(TC)和非创伤中心(NTC)患者的可能影响,仔细评估选择哪个模型(ROC曲线上的点)进行测试,并根据具体环境进行校准。此外,必须开发支持高效人机协作的图形用户界面,并由EMS人员进行评估,以确保OSISP作为临床决策支持系统(CDSS)的可用性。
结论
基于瑞典创伤数据开发的OSISP模型用于预测患者在事件现场严重受伤的风险,该模型被应用于外部挪威创伤数据,以评估其对未来未见患者的性能。该模型区分严重受伤与非严重受伤的能力已成功验证,然而,根据医疗机构对分诊不足和分诊过度的可接受水平,可能需要进行重新校准以使预测值与观察结局更好地吻合。
将OSISP应用于挪威创伤登记(NTR)数据时观察到了显著的临床获益。作为独立的临床决策支持系统(CDSS),OSISP可大幅减少分诊不足。作为结合当前分诊方案的补充性CDSS,OSISP可大幅减少分诊不足和分诊过度,无论使用ACS-COT还是基于TTA的分诊计算。特别是,OSISP显示出改善当前临床实践中常被错误分诊群体(如老年人和挪威北部地区患者)分诊的理论潜力,这有助于提高医疗机构为所有人提供平等救治的能力。此外,OSISP作为补充性CDSS显示出降低死亡率的潜力。总之,将OSISP用作独立或补充性CDSS在提高分诊准确性方面显示出巨大潜力,无论总体上还是对弱势群体而言,这可能降低挪威创伤患者的死亡率并改善医疗结局。
基于已验证的理论性能和潜在的临床获益,本研究推动OSISP的进一步开发,使其作为一种补充性临床决策支持系统(CDSS),与现有分诊方案结合使用,以支持急救医疗服务(EMS)人员在现场对患者进行分诊。未来的研究工作应侧重于能够在前瞻性研究中验证理论性能和临床获益的活动,例如开发用于传达预测结果的图形用户界面,以及将该模型整合到现有的院前信息技术平台中。
补充信息
以下是电子补充材料的链接。
补充材料1
补充材料2
补充材料3
参考来源
- Bakidou A, Caragounis EC, Andersson Hagiwara M, et al. Evaluating performance and potential clinical benefit of the Swedish On Scene Injury Severity Prediction (OSISP) model for prehospital field triage on Norwegian trauma data. Scand J Trauma Resusc Emerg Med. 2026. PMID: 42498962. doi:10.1186/s13049-026-01662-w
- 全文:PMC13401289(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13401289/
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。