米otor车辆碰撞每年造成全球135万人死亡(其中约一半为车内人员)，使车辆碰撞成为儿童和青年最常见的死亡原因，也是全球第八大总死亡原因。1与上个世纪相比，现代道路安全、汽车系统和紧急医疗护理的进步减少了死亡人数，2mvc对于个人和社会来说仍然是一个不可否认的负担。最近估计，全球MVC创伤每年造成的损失为5180亿美元，其中650亿美元来自中低收入国家，在这些国家，MVC是一种异常常见的死亡原因。1，3.
由MVC引起的神经创伤患者需要特别注意，通常需要迅速干预。最近一项对MVC创伤的单中心回顾性研究认为，在20年的时间里，70%的头部创伤是由MVC造成的。4因此，更好地描述MVC后的神经创伤结果对患者和提供者都有很大的希望。
可靠地描述创伤严重程度和预测临床结果的现代努力通常来自Baker等人的工作，他们在1971年首次描述了缩写损伤量表(AIS)。5AIS在定义的解剖区域内根据严重程度对损伤进行数值分类。此后不久，同一小组开发了损伤严重性评分(ISS)，计算方法是将AIS中三个得分最高的区域的平方值相加。6这种方法的评分范围从0到75,75代表最严重的创伤。国际空间站很快成为一个被广泛接受的标准指标，可重复描述创伤和预测死亡率。从那时起，许多研究人员试图通过整合人口统计学或临床数据来增强ISS的预测能力，以背景化特定人群的创伤性损伤。
然而，迄今为止的预测模型一直受到其生成时使用的传统统计方法的限制。开云体育世界杯赔率神经网络等机器学习算法越来越多地应用于生物医学科学。7这些工具使研究人员能够探测各种变量的大型数据集，这些变量的关系可能是非线性的或违反直觉的。
我们最近开发了一个基于神经网络的模型来预测MVC后临床有意义的结果，包括住院死亡率和总住院时间(LOS)。这些模型可以应用于创伤中心基于临床结果预测的回顾性性能分析的新工具，并可能在进一步验证后，作为临床创伤环境的预后工具。
开云体育世界杯赔率
研究设计和数据库
我们查询了杰克逊纪念医院Ryder创伤中心(一个独立的I级创伤中心)维护的两个前瞻性收集数据库，包括1)来自美国外科医生学会国家创伤数据库(NTDB)的本地数据和2)我们机构的临床行政研究教育(CARE)数据库。ndb是一个国家级数据库，由参与中心自愿提交的数据组成，8而CARE数据库则是在我们参与ndb之前在我们机构收集的前瞻性数据。我们的中心从2013年开始收集新晋db的数据，到2017年底已经有了完整的数据。
由于我们的研究使用的是去识别的患者数据，因此被我们机构的IRB认为是豁免的。
病人群
我们将CARE数据库1998年至2013年的所有记录与NTDB数据库2013年至2017年的记录进行了汇编，从而生成了一个20年的MVC数据样本。总之，这些数据库捕获了在各自的收集期到我们创伤中心就诊的患者，包括各种人口统计信息和临床变量，描述了患者的表现、医院过程和结果。由于这些数据库在患者住院期间收集变量，数据收集的时间并不一定反映记录到电子健康记录中的时间变量。
结果评估
我们针对两个特定结果进行预测:住院死亡率和整体住院天数。我们试图为每个结果建立一个独立的预测模型。我们将住院死亡率定义为患者入院后但出院前发生的任何死亡率。通过将医院出院处置标签(如“过期”和“死亡”)分组为单个代理变量来分析这一结果。我们将住院天数定义为入院和出院之间的天数差。对这些结果分别构建了独立的预测模型。
这两个模型都包括了所有没有死于创伤室并随后入院的患者。由于我们的患者群体严重右偏，只有第95百分位(LOS < 40天)的患者被纳入最终的LOS模型开发。
结果
总体样本特征
从CARE数据库(1998-2013年)共获得22662条记录(59个变量)，从NTDB数据库(2013-2017年)共获得3494条记录(85个变量)。在CARE中，发生了17,047例MVC，而在NTDB中发生了2989例MVC，初始MVC队列为20036例;在两个数据库中报告了52个变量。在特征选择后，16,287条记录用于开发住院死亡率和LOS模型。排除前队列(所有mvc)的患者特征报告在表1．
整个队列排除前的临床特征
| 价值 | |
|---|---|
| 不。的分 | 20036年 |
| 平均年龄，是的 | 37.0±18.4 |
| 平均GCS评分 | 13.3±2.9 |
| 意味着空间站 | 14.0±11.2 |
| 平均TTA，分钟 | 555.2±425.8 |
| 死亡，n (%) | 1333 (6.7) |
Pts =病人。
平均值用平均值±标准差表示。
模型特性及性能
住院死亡队列的死亡率为6.6%，16287份记录中有1070例患者死亡。训练组、验证组和测试组分别包括10,424、3257和2606名患者。各组间输入变量无显著差异。住院死亡率模型的AUROC为0.976 (95% CI 0.974-0.978)，敏感性为92%，特异性为90%。
如上文所述，我们的LOS模型与我们的住院死亡率模型来自同一亚组。这些患者的平均住院天数为9.9天(SD为22.1天，范围0-380天)。大多数患者直接入住主医院(52.3%)。其他主要的处置包括重症监护室(27.1%)和手术室(19.1%)。只有一小部分患者(0.5%)在创伤中心接受观察。最初，我们的模型能够预测入院亚组的医院LOS，准确度很高(MAE 4.23天)。然而，在进一步将该亚组限制为整个样本中第95百分位内的LOS患者后，模型的准确性显著提高(MAE 2.23天)。
给出了每个模型队列的样本输入变量特征表2．中给出了每个模型的性能统计数据表3．的工作流程，包括样本构建、特征选择和模型开发图1．模型性能用图2．
模型亚组临床特征
| 价值 | |
|---|---|
| 不。的分 | 16287年 |
| 平均年龄，是的 | 37.2±19.4 |
| 平均GCS评分 | 13.3±3.4 |
| 意味着空间站 | 14.0±13.1 |
| 死亡，n (%) | 1070 (6.6) |
| 平均TTA，分钟 | 555.3±426.6 |
平均值用平均值±标准差表示。
每个模型的性能统计
| 价值 | |
|---|---|
| 住院死亡率模型，% | |
| auroc (95% ci) | 97.6 (0.974 - -0.978) |
| 灵敏度 | 92 |
| 特异性 | 90 |
| PPV | 76 |
| 净现值 | 99 |
| LOS模型，天 | |
| 美 | |
| 承认样品 | 4.23 |
| ≤95 | 2.23 |
NPV =负预测值;PPV =阳性预测值。
流程图显示样本参数，特征和分类器选择，以及模型架构。从16,287个MVC案例记录中，52个变量被考虑包含在我们的模型中(文本框，左上角)．初步的变量相关性调查确定了与目标结果相关性最强的特征(热图、上中心)．比较了多种分类器类型预测目标结果的准确性(箱线图，较低的中心)．在确定了感兴趣的特征和最有效的分类器类型后，我们的模型使用文章中描述的交替密集层和dropout层来构建(网络图，正确的)．急诊室;ROC =受试者工作特征。
模型的性能。左:住院死亡率模型显示AUROC。正确的:连续训练周期上的迭代MAE显示了LOS模型。
讨论
我们的模型代表了基于神经网络系统的第一个应用，用于预测MVC创伤后临床有意义的结果，包括患者死亡率和医院LOS。这些模型的准确性与一些现成的临床参数相结合，使其成为MVC入院期间告知决策的强大工具，以及基于临床基准的回顾性评估创伤中心的性能。
虽然以前已经尝试预测创伤结果，如死亡率，但大多数都没有针对MVC作为一种特定的机制，倾向于对所有损伤机制的通用方法。这些模型大多数都是基于解剖学的，以长期接受的ISS为例;然而，自其发展和普遍采用以来，许多解剖学上的损伤严重程度测量已被证明能以更高的准确性预测死亡率。
其中一个模型，创伤死亡率预测模型(TMPM)，在预测死亡率(AUROC 0.866)方面比ISS (AUROC 0.832)表现出更高的准确性。9TMPM最初的开发是为了克服ISS长期以来公认的缺点，其中包括它对AIS代码的依赖，它对三种损伤的限制，以及它强调损伤本身的严重程度而不是损伤解剖部位的重要性。从NTDB的大量患者群体中提取，通过回归建模得到TMPM，以直接预测ICD-9-CM损伤代码的死亡率。在他们最初的研究中，Glance等人报告了使用TMPM与基于iss的模型相比，在死亡率预测方面具有更高的准确性(AUROC 0.880 vs 0.850)。10后来，Cook等人再次证明了TMPM与ISS及其变体相比具有更高的准确性，无论是从AIS代码(AUROC 0.888 vs 0.851)还是从ICD-9代码(AUROC 0.872 vs 0.830)计算得分。11然而，最近Wang等人开发了损伤死亡率预测模型，与TMPM相比，该模型在死亡率预测方面表现出更高的准确性(AUROC 0.903 vs 0.890)。12作者还尝试了纳入年龄、性别和损伤机制，但发现对模型功能的影响不大，而年龄在我们自己的模型开发中是一个重要特征。在最近一项针对MVC后住院死亡率的创伤预测模型的分析中，Van Belleghem等人发现，ICD-9-CM代码的得分(AUROC 0.94-0.96)优于AIS代码的得分(AUROC 0.72-0.76)。13
虽然对创伤后死亡率的预测已经进行了广泛的研究，但对幸存患者的住院过程的关注较少。具体来说，很少有人尝试预测创伤后的医院LOS。Moore等人最近确定出院目的地、年龄、转移状态和损伤严重程度(基于ais)是创伤后医院LOS的最强决定因素。14这些发现是基于一个大型多中心队列的多水平线性回归。相反，Hwabejire等人认为系统层面的因素(如出院安排和住院操作延误)是这些患者住院时间延长的主要决定因素。15然而，到目前为止，还没有一个研究小组提供了一种可靠的、临床适用的工具来预测创伤后入院时的医院LOS。
我们的目标是构建一个更大的样本，包括在20年时间内发生MVC后的所有创伤患者，从而生成一个更强大的模型。虽然我们的模型可以推广到MVC，但我们感兴趣的范围仍然是模型在神经创伤领域的适用性。MVCs造成了高达70%的神经创伤，对身体、心理和经济造成了毁灭性的影响。7，16因此，我们提倡在神经创伤人群中采用先进的数据建模和度量。
最终，这些工具可以显著地为一般创伤环境下的MVCs患者的管理提供信息。在入院期间，死亡风险较大的患者可能需要更频繁的监测或更积极的管理，而预计的医院LOS可以告知镇痛药的选择，出院处置和计划，以及一般的管理安排。图3强调了在MVC之后，在患者住院期间，模型可以对管理决策产生有意义的影响。
描述模型在遵循MVC的病人住院过程中各个点的应用的通用模式。急性损伤期(左)．此时，紧急医疗技术人员可以从现场传达患者特征，或者在急诊部门获得患者特征。住院(中心)．入院期间的持续护理(正确的)．在这些阶段，住院死亡率模型可用于增强临床判断和与家属沟通，而LOS模型可为有关饮食、活动、疼痛管理和出院计划的决策提供信息。紧急医疗技术员。
局限性和未来发展方向
虽然我们的模型是在一段较长的时间内从一个大样本中得出的，但所有患者都在一个独立的创伤中心接受治疗。这种地理和临床的局限性可能会限制我们研究结果的广泛性，从而限制我们模型的适用性。虽然我们确实在训练数据集中保留的记录上测试了我们的模型，但这最终是一个回顾性构建和验证的模型;因此，它在前瞻性预测中的真正准确性还有待证明。
ISS通常是在放电时计算的，这将限制我们的模型用于预测的潜在二次应用。然而，通常在创伤患者中获得的临床数据(例如，全身扫描)可以生成工作ISS。
我们的初始患者群体的强烈右偏分布在我们的LOS模型构建中提出了一个数学难题;95%的初始患者队列在39天内出现了LOS，而95%以上的异常值达到了380天的最大LOS。最初，我们试图创建一个模型，可以预测整个患者群体的LOS。然而，我们发现，任何试图包含异常值预测的模型对于大多数患者都失去了显著的最终准确性。我们选择排除95百分位以上的异常值，从而为更多的个体实现最大的准确性。因此，我们的模型无法准确量化极端离群值中的LOS。然而，我们认为这种特定的准确性损失被这些病例的罕见性很好地平衡了。
最后，也许是最重要的，数据记录的可变性显然会给我们的模型带来一定程度的混淆。这是任何数据库研究的一个基本限制。
结论
我们的模型有效地预测了遵循MVC的患者的临床有意义的结果。这可以通过对现场性能进行基准测试和潜在的预测结果来帮助临床医生，从而优化即时和快速的患者护理。特别是，这些工具在神经外科医生的应用中具有很大的潜力，神经外科医生经常在MVC患者的管理中进行咨询。尽管目前的性能很高，但使用外部中心的更大样本进行增强将增强我们模型的泛化性。
致谢
我们感谢杰克逊纪念医院Ryder创伤中心的研究人员在获取和解释数据方面的帮助，并感谢Roberto Suazo在图形设计和web开发方面的帮助。
披露的信息
作者报告在本研究中使用的材料或方法或本文中指定的发现没有利益冲突。开云体育世界杯赔率
作者的贡献
构思与设计:Jagid, Kolcun。数据获取:Kolcun, Covello。数据分析和解释:Covello, Gernsback, Cajigas。文章起草:Kolcun, Covello。批判性地修改文章:所有作者。审查提交的手稿版本:Jagid, Kolcun, Gernsback, Cajigas。统计分析:Covello, Cajigas。行政/技术/物资支持:Jagid, Gernsback, Cajigas。研究指导:Jagid, Kolcun。
