高丽大学安岩医院7日表示,重症外伤外科教授李在明与梨花女子大学木洞医院重症外科教授白承敏组成的联合研究团队,利用人工智能(AI)机器学习技术开发出可高精度预测外伤患者早期死亡风险的模型。
外伤指由交通事故、坠落、殴打等外部因素造成的身体损伤,是全球主要死亡原因之一,尤其是年轻群体早期死亡的原因。外伤患者的状态可能在短时间内急剧恶化,因此在初期阶段准确筛选出死亡风险高的患者十分重要。因为经过风险评估,医护人员可迅速处置,并合理分配重症监护室与手术室安排、输血等所需医疗资源。不过,事故发生情况、损伤部位与程度、患者年龄与身体状况、院前急救及到院后的治疗过程等因素复杂交织,使外伤患者预后预测存在诸多困难。
研究团队获取了2016年至2020年疾病管理厅国家损伤信息门户公开的社区为基础的外伤调查资料。在总计23万7616例中筛选出可供分析的20万7012例,随后应用逻辑回归、k-NN、决策树、随机森林、MLP、XGB等6种机器学习算法开发AI模型,并对外伤患者早期死亡预测性能进行比较验证。
结果显示,XGB模型的AUROC(ROC曲线下面积)为0.985、AUPRC(精确率-召回率曲线下面积)为0.957,性能最优。AUROC与AUPRC是评估AI模型区分实际高风险患者能力的指标,越接近1表示性能越好。XGB模型在新冠疫情期间的2020年数据中也取得0.984的AUROC,保持了稳定性能,表明在急救医疗体系受到较大影响的情况下,该模型仍有可能较为稳健地运行。此外,随机森林模型的AUROC为0.984、AUPRC为0.956,预测性能同样较高。
研究团队通过追加分析确认,院前心脏骤停、损伤严重度评分(ISS)、年龄、至首次输血所需时间等是对死亡风险预测影响较大的主要因素。ISS是以分数表示患者损伤严重程度的指标。此次研究基于全国范围的公共数据而非单一医疗机构开发模型,并同时考虑了预测性能、可解释性、可扩展性与可推广性,因此被评价为具有意义的成果。
李在明教授期待表示:“未来有望用于在急救医疗体系与外伤诊疗现场快速筛选重症患者的风险度。”
白承敏教授表示:“我们确认了利用全国外伤登记资料筛选早期死亡风险的可能性”,“今后将经过进一步校正与前瞻性验证,发展为整合AI风险筛选的研究”。
此次研究结果发表于急救医学与外科领域的知名学术期刊《世界急诊外科杂志》(World Journal of Emergency Surgery)。






