文献速递创伤与烧伤重症综合管理与镇静镇痛

基于国家创伤登记与机器学习方法预测创伤性脑损伤患者院内死亡率

Prediction of in-hospital mortality in patients with post traumatic brain injury using National Trauma Registry and Machine Learning Approach.
PubMed 文献 · Scand J Trauma Resusc Emerg Med · 2020-05-27
一句话结论在成人创伤性脑损伤患者中,支持向量机模型预测院内死亡的准确率达95.6%、AUC达96%,优于人工神经网络。

本研究为回顾性研究,纳入2014年1月至2019年2月在1级创伤中心住院的1620例成人创伤性脑损伤患者(1417例存活、203例死亡),以人口学、损伤特征和CT表现作为预测因子,构建人工神经网络和支持向量机模型预测院内死亡。两种模型准确率均超过91%、AUC均超过93%,支持向量机表现最优,准确率95.6%、AUC 96%。支持向量机模型中预测院内死亡最重要的变量是复苏期间接受气管插管。作者认为机器学习技术性能优于传统多变量模型。

要点

  • 支持向量机模型预测创伤性脑损伤院内死亡表现最优,准确率95.6%、AUC 96%,优于人工神经网络。
  • 支持向量机模型中预测院内死亡最重要的变量是复苏期间接受气管插管。
  • 插管患者院内死亡率26%,未插管患者0.1%;接受输血者死亡率29%,未输血者2.4%。
  • 未接受静脉血栓栓塞预防者死亡率18%,接受者8.7%;发生脑水肿者死亡率54.4%,未发生者9.7%。
  • 中线移位患者死亡率约27%,无中线移位者8.3%;合并腹部损伤者死亡率31.5%,无腹部损伤者9.8%。

适用人群与场景

  • 2014年1月至2019年2月在1级创伤中心住院、登记于创伤登记库的成人(≥14岁)创伤性脑损伤患者。
  • 排除儿童患者(<14岁)。
  • 排除无预测价值的变量(如健康记录号、入院日期和出院日期)及严重不平衡的变量(如女性患者少于6%的性别变量)。
  • 缺失数据的记录被剔除。

诊断标准与关键阈值

  • 创伤性脑损伤定义为由外部创伤引起的脑损伤。
  • 结局指标为中度至重度创伤性脑损伤后初次住院期间的院内死亡,为二分类变量(0=存活,1=死亡)。
  • 从创伤外科出院或转至其他医院的患者视为存活。

研究设计与关键结果

  • 研究类型为回顾性研究,共纳入1620例 eligible 患者(1417例存活、203例死亡),院内死亡率为12.5%。
  • 患者平均年龄34.4岁,死亡时平均年龄37.2岁;最常见损伤机制为高处坠落(34%),其次为机动车碰撞(30%)。
  • 最常见CT表现/占位性病变为硬膜下出血(28.1%),其次为硬膜外出血(22.9%);22%的患者存在中线移位。
  • 两种模型在测试数据集中准确率均超过91%、AUC均超过93%;支持向量机表现最优,准确率95.6%、AUC 96%。
  • 插管患者中26%在初次住院期间死亡,未插管患者为0.1%。
  • 接受输血患者中29%在复苏期间死亡,未接受输血者为2.4%。
  • 未接受静脉血栓栓塞预防者中18%死亡,接受者为8.7%。
  • 发生脑水肿者中54.4%院内死亡,未发生者为9.7%;中线移位者中约27%死亡,无中线移位者为8.3%。

证据类型、等级与局限

  • 证据类型为回顾性研究,使用卡塔尔国家创伤登记库数据。
  • 局限:部分登记变量以文本形式记录,增加了数据准备难度。
  • 局限:数据来自卡塔尔国家创伤登记库,一些潜在有用预测因子(如实验室结果和接受的药物)无法获取。
  • 局限:模型部署用于支持临床决策面临挑战,部分原因为临床医生对人工智能潜力缺乏认识。
  • 局限:与逻辑回归不同,支持向量机无法获得各预测因子的标准化系数和比值比,使结果解读更复杂。

对床旁实践的改变

  • 作者认为,在电子病历和其他结构化登记库拥有大量数据集的条件下,临床证据可以更快、更省力地获得。
  • 作者认为,本研究结果可能鼓励创伤外科决策者将机器学习技术与创伤登记库及电子病历整合,以帮助临床医生早期规划预防措施和调配资源。

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」「指南或共识出处」,故未列出这些栏目。
全文中译14 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. 2020 May 27;28:44. doi: 10.1186/s13049-020-00738-5

背景

创伤性脑损伤(TBI)定义为由外部创伤引起的脑损伤[1]。TBI导致的死亡和残疾超过其他任何创伤[2]。与其他类型的损伤相比,TBI患者的预期寿命显著缩短,死亡率增至30%至70%[1, 3]。TBI每年影响全球数百万人,造成重大的全球疾病负担[3]。在全球范围内,估计每年有6400万至7400万人发生TBI,疾病负担最重的是东南亚和西太平洋地区[2]。死亡率与患者高龄和TBI严重程度相关。研究发现,重度TBI后14天院内死亡率在16至65岁成人中高达24.5%,在65岁以上患者中超过40%[4]。已有若干已发表且广泛使用的预后/结局预测模型,显示出良好的预测能力和区分能力。表1列出了部分广泛使用的预后模型及其以曲线下面积(AUC)衡量的性能[5–15]。

此外,学者们设计了若干预测模型,旨在帮助临床医生和研究人员预测TBI的预后和结局。Jacobs等[16]设计了一个预测模型,旨在利用人口学资料、临床数据(如生命体征、瞳孔反应和格拉斯哥昏迷量表(GCS))以及影像学参数(脑计算机断层扫描(CT)表现)来预测中重度TBI的结局。该研究发现,年龄、瞳孔反应、GCS评分、伤后低血压发作以及若干CT扫描表现是TBI结局的良好预测因素。

在过去十年中,使用机器学习技术预测疾病结局的应用显著增长。多项研究证明,机器学习预测技术优于经典的多变量技术[17, 18]。在一项对30项使用机器学习技术预测多种神经外科结局(包括创伤性脑损伤(TBI)后死亡率)研究的系统综述中,机器学习技术优于多种知名的经典预测工具,在某些情况下表现与领域专家相似或更优[19]。Rau等[6]使用机器学习技术预测中重度TBI死亡率。作者使用年龄、性别、头盔使用、合并症、GCS和生命体征作为预测因子。他们使用逻辑回归(LR)、人工神经网络(ANN)、决策树(DT)、支持向量机(SVM)和朴素贝叶斯分类器(NB)根据生存结局对患者进行分类。他们从准确率、灵敏度、特异度和曲线下面积(AUC)方面比较了模型的性能。ANN在所有模型中表现最佳,AUC为96.8%,准确率为92%,灵敏度为84.4%,特异度为92.8%。Hale等[12]使用机器学习技术(ANN)预测565例遭受TBI的儿科患者6个月的良好/不良结局,包括死亡率。他们使用GCS、瞳孔对光反应性、血糖水平、血血红蛋白浓度、占位性病变、创伤性蛛网膜下腔出血(tSAH)、脑池状态和中线移位来构建预测模型。此外,他们将基于ANN的预测模型的性能与三种已知的经典预测模型进行了比较,即Helsinki、Rotterdam和Marshall。该机器学习模型不仅达到了很高的准确率(> 94%),而且优于三种经典预测工具。这一发现支持了Eftekhar等[17]的结论,即ANN在预测疾病结局方面显著优于基于逻辑回归的预测模型,AUC分别为96.5%和95.4%。

本研究旨在设计监督式机器学习预测模型,以早期预测在哈马德综合医院(HGH)——哈马德医疗公司(HMC)(一家政府非营利医疗机构)一级创伤中心收治的成年TBI患者院内死亡率。

表1 常用TBI预后模型示例 查看原表 ↗

方法学

本研究按照跨行业数据挖掘标准流程(CRISP-DM)进行,该流程定义了数据挖掘项目的典型阶段。CRISP-DM将数据挖掘过程分为六个阶段:业务与数据理解、数据准备、建模、评估和部署[20]。图1提供了方法学概要。

图1 研究方法学 查看原图 ↗

业务与数据理解

本研究并非所有登记数据均可使用。因此,为更好地理解和选择有意义的变量,作者查阅了创伤登记数据字典中每个变量的定义。此外,作者还复习了文献,以确定在数量庞大的变量中哪些需要被视为预测因子,以及哪些在存在缺失值时应进行插补[21]。儿科患者(< 14岁)被排除。这对于理解和解释结果很重要,因为某些重要参数(即生命体征)在儿科和成人组之间不同。

数据准备

本研究经HMC机构审查委员会批准(IRB MRC-01-19-106)。本回顾性研究针对2014年1月至2019年2月期间入住HGH创伤中心并登记于创伤登记处的所有成年患者。在给定期间内,共有2318例TBI患者登记于创伤登记处。

研究仅纳入发生TBI的成年患者(≥ 14岁)。所有无预测价值的变量(如健康记录号、入院日期和转归日期)或严重不平衡的变量(如性别:女性患者不足6%)被排除。缺失数据可能严重影响预测模型的性能[22]。文献中使用了多种处理数据缺失的方法,如剔除不完整记录[6]或对缺失值进行插补,后者是一种广泛使用的方法[22]。由于本主题的关键性,缺失数据的记录被剔除。随后,1620例符合条件的患者被纳入研究。

检索数据包括以下变量:年龄、性别、损伤机制、到达方式、血酒精水平、血压、心率、格拉斯哥昏迷评分(GCS)、CT表现、插管状态和地点、损伤日期/时间、到达急诊科(ED)的时间、患者已知合并症、实施的操作、输血、静脉血栓栓塞症(VTE)预防的给予、输血、院内并发症、结局和转归日期。

附加变量由检索变量二次生成:入院班次(D:上午7点至下午6:59,N:晚上7点至上午6:59)[23, 24]。

结局指标

结局指标为中重度TBI后初次住院期间的院内死亡率。它是一个二分类变量(0 = 存活,1 = 死亡)。从创伤外科病区出院或转至另一家医院的患者被视为存活。

预测模型

使用了两种强大的监督机器学习技术,以便比较它们的性能以及与既往研究的性能,从而推荐在支持临床决策方面实现最佳性能和最高实用性的模型。人工神经网络(ANN)和支持向量机(SVM)广泛用于预测院内死亡率。因此,选择它们以提供基线比较性能。使用SPSS Modeler 18.1进行分析。

为防止过拟合并验证模型性能,我们将数据划分为训练集和测试集,过拟合防止设置为30%。表2说明了数据划分。

表2 数据划分 查看原表 ↗

人工神经网络(ANN)

ANN是一种广泛使用的机器学习技术,在分类和模式识别方面表现强大[25]。当用于分类时,ANN被视为一组相连的输入/输出单元,其中每个连接都有一个与之关联的权重。该权重表示单元之间连接的强度[26]。学者们将ANN视为黑箱分析模型。尽管如此,它们在通过与循证医学结合来支持临床实践方面的巨大潜力是不可否认的[12]。通常,神经网络的性能通过将数据划分为训练数据集和测试数据集来优化,这有助于防止过拟合。训练持续进行,直到误差无法进一步降低[27]。一旦训练完成,ANN可用于结果未知的未来病例[28]。

支持向量机(SVM)

SVM是一种强大的分类机器学习算法,可用于线性和非线性数据集[25]。当使用SVM进行分类时,决定哪个核函数能更好地实现分离类别的最优超平面非常重要[29]。本研究使用了线性核,因为在初步评估中,与其他函数(即多项式、sigmoid或径向基函数)相比,它优化了预测性能。

结果

在本研究纳入的1620名患者中,203名(12.5%)在初次住院期间院内死亡。平均年龄为34.4岁,死亡时平均年龄为37.2岁。最常见的损伤机制为高处坠落(34%),其次为机动车碰撞(30%)。最常见的CT表现/占位性病变为硬膜下出血(28.1%),其次为硬膜外出血(22.9%),22%的患者样本存在中线移位。表3和表4显示了样本特征和研究样本的描述性统计。

表3 样本特征——连续变量 查看原表 ↗
表4 样本特征——名义变量和有序变量 查看原表 ↗

数据挖掘技术的性能

为了计算模型的性能指标,我们首先构建了混淆矩阵,其显示了实际观察值与预测状况之间的关系。

表5显示了两种机器学习技术在测试数据分区中的性能评估指标。两个模型的准确率均大于91%。然而,由于仅凭准确率不足以评估模型性能,因此考虑了AUC、精确率、NPV、灵敏度、特异度和F分数指标。SVM取得了最佳性能(表5)。

表5 分类模型的性能 查看原表 ↗

院内死亡危险因素

SVM利用了所有21个变量来预测院内死亡。在机器学习中,每个预测变量对整体模型产生准确预测能力的贡献通常以预测变量重要性的形式呈现(图2)[30]。第一个预测变量通常是对模型能力最重要的预测变量。然后其他预测变量的重要性值相对于排名第一的预测变量进行排序。SVM显示,在复苏期间接受气管插管在预测院内死亡中发挥最重要的作用。

图2 支持向量机中预测变量的重要性 查看原图 ↗

讨论

创伤性脑损伤患者院内死亡率的早期预测至关重要。早期且有力的死亡率预测有助于临床医生和医疗管理者优化医疗资源配置、及时启动适当的诊断和干预、开展比较性审核,并确保患者家属及其他相关人员获得适当的指导[3, 6]。然而,疾病预后和结局的预测需要开发良好的预后模型,这些模型应包含大样本量并具有较高的外部效度和内部效度,以便能够推广至特定研究环境之外[31]。多年来已发表了许多预后模型,但只有少数达到了样本效度要求[32]。通常,临床医生使用某些预后因素如GCS来指导治疗决策并估计预后结局[3, 32]。尽管如此,这些预测因素可能受到多种因素的影响,例如酒精使用会负面影响预测成功率和模型的区分能力[11, 12]。因此,为准确预测结局,在开发预后模型时需要联合考虑多个危险因素(如年龄、GCS等)[32, 33]。

在模型性能方面,SVM在所有性能评价指标上均优于ANN(表5)。因此,选择SVM作为部署模型。

在更广泛的层面上,本研究中SVM优于表1所报道的使用传统TBI预后模型的传统多变量LR模型。使用传统预后模型时报道的最高AUC为92%[10, 12, 16]。此外,当将本研究的机器学习模型性能与已发表的TBI文献进行比较时,我们发现SVM模型的性能高于或类似于同类研究中机器学习模型的性能[6, 19]。在考虑本研究的外部效度时,这一比较至关重要。

本研究将插管列为TBI后院内死亡的最重要预测因素。伤后24小时内接受插管的患者中约26%在初次住院期间死亡,而未插管者为0.1%。这可归因于TBI的严重程度——损伤越严重,插管的可能性越高。此外,插管增加了住院时间并增加了院内并发症的风险,例如呼吸机相关性肺炎,后者对死亡率增加有显著贡献[34]。复苏期间需要输血与院内死亡率有显著关系。复苏期间接受输血的患者中29%死亡,而未接受输血者死亡率为2.4%。TBI中输血的必要性和后果仍存在争议。多项研究报道TBI中输血与不良结局相关[35, 36]。这也可以解释为需要输血的患者是那些损伤更严重且失血显著的患者。因此,这些患者本来就容易出现不良TBI结局。

与既往文献一致,本研究发现接受静脉血栓栓塞症(VTE)预防的患者相比未接受者具有更好的生存率[37]。未接受VTE预防的患者中近18%在初次住院期间死亡,而接受VTE预防者中为8.7%。此外,本研究发现原发性TBI后发生脑水肿的患者中54.4%在院内死亡,而未发生脑水肿者中为9.7%。该发现与Jha等人一致,他们报道脑水肿是院内死亡的主要原因,因为在包括TBI后出血在内的占位性病变患者中超过60%会发生脑水肿[38]。脑水肿是TBI后的继发性并发症,发生于损伤后脑组织水分增加时。因此,TBI管理中的大量努力集中于预防继发性脑损伤和维持足够的脑灌注压(CPP)[39, 40]。中线移位是创伤后的主要并发症,可导致包括死亡在内的严重不良后果[8, 12, 41]。约27%存在中线移位的患者死亡,而CT扫描报告无中线移位者中为8.3%。根据脑CT扫描结果作出的TBI诊断在预测TBI后院内死亡方面发挥不可或缺的作用。有趣的是,TBI后发生蛛网膜下腔出血(SAH)者中25%死亡,而弥漫性轴索损伤(DAI)和硬膜下血肿(SDH)患者分别为17.5%和16.5%。文献记载创伤性SAH对院内死亡有显著影响[8, 12, 19]。此外,就诊时心率(HR)是任何类型创伤尤其是TBI后患者血流动力学稳定性的指标。高HR(> 100 bpm)[42]尤其当伴有低收缩压(SBP < 90 mmHg)[40]时可能提示低血容量性休克状态,导致CPP不良。本研究发现HR与院内死亡之间存在正相关关系。本研究中的HR为创伤后到达急诊科时采集。入院时平均HR为93 bpm。存活者平均HR为90.8 bpm,而后来在院内死亡者为108.5 bpm。有趣的是,当TBI患者合并腹部损伤时死亡率显著增加[43]。合并腹部损伤者死亡率为31.5%,而无合并腹部损伤者为9.8%。

最后,排名第10位的重要变量是到达方式。通过救护车到达创伤中心的患者相比通过其他方式到达创伤中心者死亡率更高(13.5% vs. 7.4%)。这与既往文献一致,既往研究发现死亡模式受TBI或多发伤后到达急诊室的方式和时间影响[44, 45]。这可能是由于从受伤到救护车到达再到抵达医院的时间相对长于乘坐私家车到达[45],或仅仅是由于假设损伤越严重,患者通过救护车转运至医院的可能性越大。

局限性

本研究最重要的局限性之一出现在数据处理和准备阶段。登记库中有若干变量以无文本形式记录,这使数据准备过程变得复杂。数据提取自卡塔尔国家创伤登记库;该登记库向美国外科医师学会创伤委员会(ACS-COT)的国家创伤数据库(NTDB)和创伤质量改进项目(TQIP)提供数据。因此,有一些可能有用的预测因素无法获得,例如实验室结果和所接受的药物治疗。将该模型部署用于支持临床决策是另一项重大挑战。这归因于若干原因,例如非传统预测技术的可靠性存疑,这在一定程度上源于临床医生对人工智能在支持临床决策过程中潜力的认识不足。非常重要的是,例如与逻辑回归不同,支持向量机(SVM)中与每个预测因素相关的标准化系数和比值比无法获得。这使得结果解读比传统计算技术更为复杂。

结论

本研究表明,机器学习技术的性能优于传统多变量模型。此外,结果与已知的知识体系一致。因此,随着电子病历和其他结构化登记库中大量数据集的可用性,临床证据可以快速且以较少的投入获得。

从另一个角度看,本研究的结果可能鼓励创伤外科的决策者将机器学习技术与创伤登记库和电子病历相结合。这可能有助于临床医生规划其预防工作,并在患者治疗的早期阶段调配必要资源,从而改善照护结局。

参考来源

  1. Abujaber A, Fadlalla A, Gammoh D, et al. Prediction of in-hospital mortality in patients with post traumatic brain injury using National Trauma Registry and Machine Learning Approach. Scand J Trauma Resusc Emerg Med. 2020. PMID: 32460867. doi:10.1186/s13049-020-00738-5
  2. 全文:PMC7251921(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7251921/

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。