基于生命体征时序数据的创伤致死性大出血伤情动态预测模型开发及验证

作者：郭程娱; 龚**; 沈翘楚; 韩辉; 王若琳; 张红亮; 王俊康; 李春平^*; 黎檀实^*

来源：解放军医学杂志, 2023, 1-12.

• 创伤
• 大出血
• 机器学习
• 辅助诊断

[摘要]目的基于生命体征时序数据和机器学习算法建立创伤致死性大出血伤情动态预测模型。方法回顾性分析重症监护医疗信息(MIMIC-Ⅳ)数据库2008—2019年7522例创伤伤员的生命体征时序数据，并按照创伤后是否发生致死性大出血事件分为致死性大出血组(n=283)与非致死性大出血组(n=7239)。采用逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、自适应提升(AdaBoost)、门控循环单元(GRU)、门控循环单元-D(GRU-D)共6种机器学习算法开发创伤致死性大出血伤情动态预测模型，对创伤伤员未来T小时(T=1、2、3)发生致死性大出血伤情的风险进行动态预测。通过准确率、敏感度、特异度、阳性预测值、阴性预测值、约登指数以及受试者工作特征曲线下面积(AUC)评估模型性能。基于解放军总医院创伤数据库对模型进行外部验证。结果 MIMIC-IV数据集中，基于GRU-D算法开发的一组动态预测模型效果最优，预测未来1、2和3h发生致死性大出血的AUC分别为0.946±0.029、0.940±0.032和0.943±0.034，且差异无统计学意义(P=0.905)。创伤数据集中，GRU-D模型取得了最佳外部验证效果，预测未来1、2和3h发生致死性大出血的AUC分别为0.779±0.013、0.780±0.008和0.778±0.009，且差异无统计学意义(P=0.181)。该组模型已部署在公开的网页计算器和医院急诊科信息系统中，便于公众和医护人员使用和验证。结论成功开发并验证了一组动态预测模型，对创伤致死性大出血伤情的早期诊断和动态预测有重要意义。

• 单位
  解放军总医院; 南开大学; 清华大学