留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于机器学习的创伤性休克患者院内死亡预测模型研究

张晗 张爱舷 罗嘉琪 张晓萌 陈力

张晗, 张爱舷, 罗嘉琪, 张晓萌, 陈力. 基于机器学习的创伤性休克患者院内死亡预测模型研究[J]. 解放军医学院学报, 2023, 44(4): 339-344, 371. doi: 10.3969/j.issn.2095-5227.2023.04.004
引用本文: 张晗, 张爱舷, 罗嘉琪, 张晓萌, 陈力. 基于机器学习的创伤性休克患者院内死亡预测模型研究[J]. 解放军医学院学报, 2023, 44(4): 339-344, 371. doi: 10.3969/j.issn.2095-5227.2023.04.004
ZHANG Han, ZHANG Aixian, LUO Jiaqi, ZHANG Xiaomeng, CHEN Li. In-hospital mortality prediction model for patients with traumatic shock based on machine learning[J]. ACADEMIC JOURNAL OF CHINESE PLA MEDICAL SCHOOL, 2023, 44(4): 339-344, 371. doi: 10.3969/j.issn.2095-5227.2023.04.004
Citation: ZHANG Han, ZHANG Aixian, LUO Jiaqi, ZHANG Xiaomeng, CHEN Li. In-hospital mortality prediction model for patients with traumatic shock based on machine learning[J]. ACADEMIC JOURNAL OF CHINESE PLA MEDICAL SCHOOL, 2023, 44(4): 339-344, 371. doi: 10.3969/j.issn.2095-5227.2023.04.004

基于机器学习的创伤性休克患者院内死亡预测模型研究

doi: 10.3969/j.issn.2095-5227.2023.04.004
基金项目: 国家重点研发计划(2020YFB1313904)
详细信息
    作者简介:

    张晗,男,在读硕士,医师。研究方向:战创伤救治。 Email: 928050098@qq.com

    通讯作者:

    陈力,男,博士,主任医师。Email: Chenli-China@163.com

  • 中图分类号: R459.7

In-hospital mortality prediction model for patients with traumatic shock based on machine learning

More Information
  • 摘要:   背景  创伤性休克(traumatic shock,TS)是导致创伤患者死亡的重要原因,关注TS患者的预后具有重要意义。  目的  构建基于入院生命体征、入院血气分析等早期指标的机器学习模型,用以预测TS患者临床结局,辅助医务人员进行医疗决策。  方法  收集解放军总医院第一医学中心急诊科2014年6月 - 2021年12月收治的TS患者信息,分为建模队列和外部验证队列两个部分,基于决策树(decision tree,DT)、逻辑回归(logistic regression,LR)、随机森林(random forest,RF)三种分类算法建立院内死亡预测模型,比较不同模型的预测效能并选择最佳模型进行外部验证。  结果  建模过程中,筛选出TS患者281例,根据患者本次出院时是否存活,分为生存组(218例)和死亡组(63例)。内部验证中,RF模型获得的受试者工作特征曲线下面积(area under receiver operator characteristic curve,AUC)最高,为0.856(95% CI:0.847 ~ 0.865),DT模型AUC为0.756(95% CI:0.740 ~ 0.772),LR模型AUC为0.801(95% CI:0.780 ~ 0.822)。RF模型的准确率(0.807)、精确率(0.886)、召回率(0.866)、F值(0.876)、AUC(0.856)等分类器性能指标均值均大于0.8。在50例外部验证集中RF模型的表现与内部验证相似,提示RF模型对TS患者死亡风险识别能力较强。通过校准曲线和决策曲线评价三种模型的校准度和临床实用性,结果提示RF模型亦优于LR和DT模型。  结论   机器学习预测模型在预测TS患者院内死亡方面具有较好的应用前景。

     

  • 图  1  TS患者纳入排除过程

    Figure  1.  The inclusion and exclusion process of TS patients

    图  2  特征重要性排名

    Figure  2.  Ranking of important features

    图  3  三种模型预测TS患者院内死亡的ROC曲线

    Figure  3.  ROC curve of 3 models for TS patients in-hospital mortality prediction

    图  4  三种模型预测TS患者院内死亡的校准曲线

    Figure  4.  Calibration curve of 3 models for TS patients in-hospital mortality prediction

    图  5  三种模型预测TS患者院内死亡的决策曲线

    Figure  5.  Decision curve analysis of 3 models for TS patients in-hospital mortality prediction

    表  1  TS患者不同临床结局组基线特征比较

    Table  1.   Comparison of baseline characteristics between the two groups of TS patients with different clinical outcomes

     特征生存组(n=218)死亡组(n=63)χ2/Z/tP
    性别/(例,%) 0.2300.631
     男 174(61.92) 52(18.51)
     女 44(15.66) 11(3.91)
    年龄/岁40.243 ± 15.08244.556 ± 16.644 1.9520.052
    转运时间/[h,Md(IQR)]5(3,9)3(1,6)-3.665<0.001 
    伤因/(例,%)11.2650.024
     车祸伤127(45.20)38(13.52)
     坠落伤 26(9.25) 16(5.69)
     锐器伤 31(11.03) 3(1.08)
     挤压伤 17(6.05) 4(1.42)
     其他伤 17(6.05) 2(0.71)
    伤部/(例,%)12.1160.033
     颅脑伤90(32.03)45(16.01)
     面颈伤 99(35.23) 47(16.73)
     胸背伤 126(44.84) 46(16.37)
     腰腹伤 106(37.72) 38(13.52)
     会阴骨盆伤 48(17.08) 26(9.25)
     四肢伤100(35.59)21(7.47)
    体温/[℃,Md(IQR)]36.5(36,37)36.1(35.7,36.6)-3.560<0.001 
    心率/[min-1Md(IQR)]121(102,140)129(114,136)-1.6380.101
    呼吸频率/[次·min-1Md(IQR)]21(20,22)20(16,22)-2.0290.042
    收缩压/mmHg99.674 ± 21.18585.270 ± 31.394-3.4240.001
    舒张压/mmHg62.872 ± 16.10253.000 ± 23.084-3.1780.002
    动脉血氧饱和度/[%,Md(IQR)]98(96,98)95(85,98)-4.719<0.001 
    意识/(例,%)50.919<0.001 
     格拉斯哥昏迷评分=15 132(46.98) 6(2.14)
     格拉斯哥昏迷评分<1586(30.60)57(20.28)
    酸碱度7.358 ± 0.0887.230 ± 0.150-6.458<0.001 
    二氧化碳分压/[mmHg,Md(IQR)] 34(29,38) 36(30,43) -1.959 0.050
    氧分压/[mmHg,Md(IQR)]109(76.75,149.25)84(51,160)-2.1990.028
    血钠/[mmol·L-1Md(IQR)]138(136,140)139(136,141)-1.4270.153
    血钾/(mmol·L-1, Md[IQR])3.9(3.5,4.2)3.7(3.4,4.3)-0.3690.712
    血钙/(mmol·L-1)1.110 ± 0.5931.106 ± 0.763-0.4070.685
    血糖/[mmol·L-1Md(IQR)]8.9(7.5,11.4)13.6(9.4,18.3)-5.080<0.001 
    血乳酸/[mmol·L-1Md(IQR)]3.6(2.4,5.625)8.3(4.4,12)-6.491<0.001 
    红细胞比容/%32.991 ± 8.78829.492 ± 9.170-2.7560.006
    实际碳酸氢盐/(mmol·L-1)19.277 ± 4.26716.279 ± 5.603-3.929<0.001 
    标准碳酸氢盐/(mmol·L-1)20.609 ± 3.72716.389 ± 5.142-6.070<0.001 
    二氧化碳总量/(mmol·L-1)20.329 ± 4.42517.479 ± 5.888-3.5620.001
    碱剩余/(mmol·L-1)-5.483 ± 4.712-10.475 ± 6.514-5.669<0.001 
    下载: 导出CSV

    表  2  三种模型对TS患者院内死亡预测效能

    Table  2.   In-hospital mortality prediction performance of 3 models for TS patients

    模型准确率精确率召回率F特异度AUC (95% CI)
    决策树0.7600.8920.7920.8390.6370.756(0.740 ~ 0.772)
    逻辑回归0.7900.9100.8150.8590.6980.801(0.780 ~ 0.822)
    随机森林0.8070.8860.8660.8760.5810.856(0.847 ~ 0.865)
    下载: 导出CSV

    表  3  RF对TS患者院内死亡预测效能内外部验证比较

    Table  3.   Comparison of in-hospital mortality prediction performance of RF models for TS patients in internal and external validation

    验证集准确率精确率召回率FAUC特异度
    外部验证0.8000.8920.8460.8680.7410.636
    内部验证0.8070.8860.8660.8760.8560.581
    下载: 导出CSV
  • [1] Fang X,Zeng G,Linnan HW,et al. The incidence and economic burden of injuries in Jiangxi,China[J]. Public Health,2016,138: 138-145. doi: 10.1016/j.puhe.2016.03.024
    [2] Zhou MG,Wang HD,Zeng XY,et al. Mortality,morbidity,and risk factors in China and its provinces,1990-2017:a systematic analysis for the Global Burden of Disease Study 2017[J]. Lancet,2019,394(10204): 1145-1158. doi: 10.1016/S0140-6736(19)30427-1
    [3] 徐荣彬,温勃,宋逸,等. 1990—2016年中国青少年死亡率及主要死因变化[J]. 中华预防医学杂志,2018,52(8): 802-808. doi: 10.3760/cma.j.issn.0253-9624.2018.08.006
    [4] 中国研究型医院学会卫生应急学专业委员会,中国研究型医院学会心肺复苏学专业委员会,河南省医院协会心肺复苏专业委员会. 创伤性休克急救复苏创新技术临床应用中国专家共识[J]. 实用休克杂志(中英文),2019(4): 240-245.
    [5] 郏瑞琪. 基于改进ANN的可解释性创伤失血性休克预测模型研究[D]. 北京: 北京交通大学, 2021.
    [6] Nederpelt CJ,Mokhtari AK,Alser O,et al. Development of a field artificial intelligence triage tool:confidence in the prediction of shock,transfusion,and definitive surgical therapy in patients with truncal gunshot wounds[J]. J Trauma Acute Care Surg,2021,90(6): 1054-1060. doi: 10.1097/TA.0000000000003155
    [7] 邓芳帆. 便携式血气分析仪在儿科血气分析中的应用[J]. 中国医疗器械信息,2020,26(13): 158-159. doi: 10.3969/j.issn.1006-6586.2020.13.073
    [8] 任珍,李姝,赵静静,等. 机器学习在急诊医学中应用的研究进展及展望[J]. 中国急救医学,2021,41(3): 261-265. doi: 10.3969/j.issn.1002-1949.2021.03.015
    [9] 王乐,韩萌,李小娟,等. 不平衡数据集分类方法综述[J]. 计算机工程与应用,2021,57(22): 42-52. doi: 10.3778/j.issn.1002-8331.2107-0097
    [10] Upadhyaya GK,Iyengar KP,Jain VK,et al. Evolving concepts and strategies in the management of polytrauma patients[J]. J Clin Orthop Trauma,2021,12(1): 58-65. doi: 10.1016/j.jcot.2020.10.021
    [11] Gruen RL,Brohi K,Schreiber M,et al. Haemorrhage control in severely injured patients[J]. Lancet,2012,380(9847): 1099-1108. doi: 10.1016/S0140-6736(12)61224-0
    [12] 张红亮,冯聪,王静,等. 损伤控制性手术在创伤治疗中的应用综述[J]. 解放军医学院学报,2020,41(12): 1262-1264. doi: 10.3969/j.issn.2095-5227.2020.12.020
    [13] 赵鹏跃,刘逸尘,许晓蕾,等. 创伤失血性休克早期液体复苏研究进展[J]. 解放军医学院学报,2019,40(10): 985-987. doi: 10.3969/j.issn.2095-5227.2019.10.017
    [14] 吴京兰,徐红波. 创伤性休克的早期识别与处理[J]. 实用休克杂志(中英文),2019,3(2): 81-85.
    [15] Anderson MW,Watson GA. Traumatic shock:the fifth shock[J]. J Trauma Nurs,2013,20(1): 37-43. doi: 10.1097/JTN.0b013e318286620a
    [16] Falzone E,Pasquier P,Hoffmann C,et al. Triage in military settings[J]. Anaesth Crit Care Pain Med,2017,36(1): 43-51. doi: 10.1016/j.accpm.2016.05.004
    [17] Jiang XB,Jiang P,Mao YS. Performance of Modified Early Warning Score (MEWS) and Circulation,Respiration,Abdomen,Motor,and Speech (CRAMS) score in trauma severity and in-hospital mortality prediction in multiple trauma patients:a comparison study[J]. PeerJ,2019,7: e7227. doi: 10.7717/peerj.7227
    [18] Raux M,Sartorius D,le Manach Y,et al. What do prehospital trauma scores predict besides mortality?[J]. J Trauma,2011,71(3): 754-759.
    [19] 雷明星,刘蜀彬. 创伤评分系统的研究进展[J]. 灾害医学与救援(电子版),2017,6(1): 60-63.
    [20] 唐瑞,唐雯,王导新. 机器学习对创伤合并急性呼吸窘迫综合征患者院内死亡的预测价值[J]. 中华危重病急救医学,2022,34(3): 260-264. doi: 10.3760/cma.j.cn121430-20211117-01741
    [21] 赵宇卓. 基于创伤大数据的创伤失血性休克伤情预测预警模型建立研究[D]. 北京: 中国人民解放军医学院, 2019.
    [22] Li KY, Wu HT, Pan F, et al. A machine learning-based model to predict acute traumatic coagulopathy in trauma patients upon emergency hospitalization[J]. Clin Appl Thromb Hemost, 2020, 26: 1076029619897827.
  • 加载中
图(5) / 表(3)
计量
  • 文章访问数:  205
  • HTML全文浏览量:  43
  • PDF下载量:  11
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-09-21
  • 网络出版日期:  2023-03-21
  • 刊出日期:  2023-04-28

目录

    /

    返回文章
    返回