基于入院ROTEM的创伤预后评估：机器学习提升30天全因死亡率预测效能

《European Journal of Trauma and Emergency Surgery》：Prognostic value of admission ROTEM in trauma: enhancing 30-day all-cause mortality prediction using machine learning

本研究针对创伤后出血相关死亡率高但传统凝血标志物难以预测长期结局的临床难题，通过机器学习分析1498例创伤患者的入院旋转血栓弹力测定（ROTEM）数据，发现单一ROTEM检测可独立预测30天全因死亡率（AUROC=0.80），与经典创伤评分（RTS、NISS）相当，且显著优于PT-INR（AUROC=0.63）。联合ROTEM与既有创伤评分模型后，特异性显著提升（如RTS特异性从0.23增至0.62），有效降低假阳性率。研究揭示了凝血动态参数（如凝固时间、 clot firmness time、纤溶指数）的预后价值，为创伤结局精准评估提供了新策略。

　　

创伤是全球范围内导致死亡和残疾的主要原因之一，尤其出血相关死亡占据创伤死因的第二位。尽管早期识别高风险患者对改善预后至关重要，但现有创伤评分系统（如修订创伤评分RTS、创伤与损伤严重度评分TRISS）在临床应用中仍存在局限性：它们为平衡易用性与预测效能，多依赖有限参数，虽保证了高敏感性以避免漏诊，却常伴随低特异性，导致假阳性率偏高，进而影响分诊精准度和医疗资源分配效率。更关键的是，传统凝血检测如凝血酶原时间国际标准化比值（PT-INR）仅反映部分凝血途径，难以全面捕捉创伤后复杂的凝血功能障碍。旋转血栓弹力测定（ROTEM）作为一种床旁viscoelastic hemostatic assay（VHA，粘弹性止血检测），能动态评估凝血启动、 clot形成强度、稳定性及纤溶过程，已用于指导输血策略，但其对长期预后的预测价值尚不明确。

为此，Karolinska Institutet等机构的研究团队在《European Journal of Trauma and Emergency Surgery》发表论文，探讨入院ROTEM是否可独立预测创伤患者30天全因死亡率，并能否通过机器学习提升现有创伤评分的性能。研究团队提出假设：ROTEM蕴含的凝血动态信息可反映初始损伤严重度及潜在凝血紊乱，从而改善长期结局预测。

研究采用回顾性队列设计，纳入2015–2022年间瑞典一级创伤中心1498例成年患者，均于入院6小时内完成ROTEM检测（EXTEM、INTEM、FIBTEM assay）。主要终点为30天全因死亡率。机器学习模型（以随机森林为主）比较三类预测方式：仅用ROTEM参数、仅用创伤评分（RTS、NISS、GAP、MGAP、TRISS）、以及两者结合。模型通过5折交叉验证评估，性能指标包括AUROC（受试者工作特征曲线下面积）、AUPRC（精确召回曲线下面积）及90%敏感性下的特异性等。SHAP（SHapley Additive exPlanations）分析用于解释关键预测变量。

主要技术方法

研究基于瑞典创伤登记库（SweTrau）和医院电子病历提取数据，对缺失值采用链式方程多重插补（MICE）处理。为应对类别不平衡（幸存者占92.7%），训练时对多数类进行欠采样，评估则基于原始数据分布。机器学习流程涵盖逻辑回归、随机森林、XGBoost等算法比较，最终选择随机森林进行超参数调优和特征选择（保留15个最重要ROTEM变量）。模型验证采用重复交叉验证，统计比较使用DeLong's检验（AUROC）和置换检验（AUPRC等）。

研究结果

1. 患者特征与ROTEM参数差异

非幸存者（7.3%）年龄更大（中位74岁 vs 41岁）、损伤更重（NISS中位36.5 vs 13.0），且女性比例更高（31% vs 20%）。多项目ROTEM参数在组间差异显著，如非幸存者EXTEM clotting time（CT）延长（71s vs 61s）、FIBTEM maximum lysis（ML）降低（4% vs 6%），提示凝血启动延迟与纤溶抑制。

2. ROTEM单独预测性能

ROTEM模型AUROC达0.795（95%CI 0.781–0.810），与RTS（0.786）和NISS（0.789）相当（p>0.05），但显著优于PT-INR（0.629）和碱剩余（base excess，0.578）。在90%敏感性阈值下，ROTEM模型特异性（0.483）和平衡准确率均优于RTS与NISS（p<0.001）。

3. ROTEM与创伤评分联合提升性能

ROTEM与各创伤评分结合后，AUROC平均提升0.048，其中RTS（0.786→0.866）和NISS（0.789→0.876）改善最显著（p<0.001）。特异性提升尤为突出：RTS从0.228增至0.622，NISS从0.359增至0.688（均p<0.001），表明假阳性预测大幅减少。

4. 关键ROTEM预测变量

SHAP分析显示，FIBTEM maximum clot firmness time（MCF T）、INTEM lysis index at 45 min（LI45）和FIBTEM CT为前三重要变量。高CT值、延长MCF T与死亡风险正相关，而ML与LI45呈现非线性关联（极高或极低值均预示不良结局）。

5. 性别与年龄分层差异

模型在男性中性能优异（AUROC 0.841），但女性仅0.588（p<0.001），可能与女性样本量小（21%）、损伤机制（穿透伤少）及生理性凝血差异有关。年长患者（≥65岁）预测效能亦较低（AUROC 0.643），但其死亡率更高（25.2%），凸显群体异质性对模型泛化的挑战。

结论与意义

本研究证实，单一入院ROTEM检测可通过机器学习有效预测创伤患者30天全因死亡率，其效能与传统解剖/生理评分相当，且优于常规凝血标志物。整合ROTEM能显著优化现有创伤评分（尤其RTS、NISS）的特异性，减少假阳性，为临床决策提供更可靠依据。结果强调了viscoelastic数据在长期预后评估中的价值，提示凝血动态不仅是出血风险的指标，更是整体损伤严重度的“生物传感器”。未来需通过多中心数据验证模型泛化能力，并探索性别、年龄等混杂因素的校准策略，以推动ROTEM在精准创伤救治中的应用。