增强创伤出血预测模型的临床相关性| 军事医学研究

我们饶有兴趣地阅读了 Peng 等人最近发表的系统综述“出血性创伤护理的人工智能和机器学习”。 [1]该项目评估了机器学习（ML）在创伤性出血治疗中的文献。 我们感谢作者对机器学习在创伤中的作用所做的贡献。

对相关患者结果的预测可以让临床医生了解损伤的严重程度，并指导他们做出进一步治疗的决定。 然而，许多针对创伤性出血开发的预测算法，包括利用机器学习的算法，都基于对先前临床决策进行建模的训练数据集来预测二元结果。 这种方法可能会有问题。 本评论强调了这些问题，并提供了另一种预测方法。

为受伤患者输血的决定取决于治疗临床医生。 该决定取决于临床医生对患者对血液制品的需求的评估，该评估将基于相关患者信息与临床医生自身经验的整合。 输血通常是治疗出血性创伤患者的一个时间紧迫的步骤，并且决策可能存在不确定性。 错误的选择会使接受过度治疗的患者面临不必要输血的风险，或者使治疗不足的患者面临复苏不充分的后果。 患者与治疗不匹配可能会浪费宝贵的血液储备，尤其是当资源因大规模伤亡事件或严峻的环境而受到限制时。 因此，存在多种复杂程度各异的评分系统来帮助决策。 其中许多评分系统在最近的一篇叙述性评论中得到确定，包括血液消耗评估评分、创伤相关严重出血评分和战斗伤亡麦克劳林评分 [2]。 然而，这样的分数预测需要大量输血：由于多种原因，二分结果存在问题，并且临床采用受到限制。

首先，表示大量输血（患者接受 10 单位浓缩红细胞）的标准是任意的，几乎没有迹象表明预计需要 9 或 11 单位的患者在生理、要求或结果方面存在差异。 二分预测忽略了较高输血范围内的独特患者群体； 当必须围绕护理限制做出迅速但仔细平衡的决定时，这些信息在军事实践中特别有用。 因此，名义类别的预测可能更有用，因为它提高了结果的粒度。 了解患者可能消耗 20、30 或 50 单位的血液（而不是超过 10 单位）可以为将患者分流至拥有充足血液库存的机构的决策提供信息。 此外，它还允许这些设施中的血库调动血液制品并减少“上门干预时间”。 理想情况下，绝对值的预测将提供最大的效用，尽管存在公认的方法论摩擦（主要与可以训练机器学习的每个值的案例数量减少有关）。

其次，根据 ML 训练数据中嵌入的历史临床选择来预测患者是否属于任意定义的组，并不能为决策者提供与预测潜在需求（即真实患者状态）相同的价值。 在创伤性出血的情况下，基于训练数据预测输血需求的模型可能会传播可能输血不足或过度的临床决策。 目前人工智能研究中最大的问题之一是无意识偏见被训练成使这些偏见永久化的模型的问题。 相反，预测临床输血需求的模型不太可能受到此问题的影响，并且受实践趋势（例如转向全血输血或成分疗法的变化）的影响也较小。

第三，这两个因素可能会复合并加剧幸存者偏差 [3]。 根据训练数据中编码的历史临床判断，围绕患者是否达到阈值（例如大量输血）来学习 ML 模型，这存在排除需要输血但不满足大量输血阈值的患者的风险，因为他们不符合大量输血阈值生存足够长的时间来接收它。 虽然识别和统计在达到这样的输血阈值之前死亡的重伤患者可以减少偏差，但根据要求设计模型并提供对该要求的更精细的校准，也将减少错误，同时提高效用。

第四，许多现有预测输出的时间线并未为有关复苏强度的决策提供临床上有用的信息。 预测患者在 24 小时内是否需要 10 单位浓缩红细胞，不仅是任意的体积截止值，也是任意的时间截止值。 由于有证据表明大多数死于失血性休克的患者在受伤后 6 小时内死亡，因此调查创伤性出血的试验已转向更早的终点 [4]。 因此，有充分的理由预测 6 小时内的复苏，因为血液制品治疗的窗口期就在这个时间范围内。 这一早期时间点的预测必须根据受伤后立即获得的信息，包括生理学、损伤负担和机制的总体标志。

虽然希望拥有能够预测多个临床有用终点的 ML 模型，但第一步是确定： 该模型是否可以比现有方法更好地预测以患者为中心的、可测量的终点； 这些结果是可重复的、可解释的并且被用户理解； 该系统在现场可用且有用； 最重要的是，预测系统是否可以改善患者的治疗结果。

未来开发 ML 创伤出血预测模型的努力应旨在避免二分阈值、预测输血需求，并重点关注受伤后的最初几个小时。