机器学习模型预测严重创伤患者术后创伤性凝血病的创新研究

本研究针对严重创伤患者术后创伤性凝血病(TIC)的高发病率及不良预后，通过多中心回顾性数据构建了7种机器学习模型。研究发现随机森林(RF)模型表现最优(AUC 0.82)，关键预测因子包括胶体液输注量、术后体温、凝血酶原时间(PT)等。该模型为临床早期识别高危患者提供了新工具，对改善创伤患者围术期管理具有重要意义。

　　

创伤救治领域一直面临着术后创伤性凝血病(Trauma-induced coagulopathy, TIC)的严峻挑战。这种并发症在严重创伤患者中发生率高达25%，会导致器官功能障碍、脓毒症风险增加和死亡率升高。尤其令人担忧的是，接受手术治疗的创伤患者由于长时间手术暴露、大量液体输注和全身麻醉等因素，更易发生低体温和酸中毒，从而加重凝血功能障碍。然而，现有的预测模型多聚焦于创伤早期的凝血异常，对术后TIC的预测能力有限，且缺乏足够的准确性来指导临床决策。

针对这一临床难题，重庆大学附属中心医院麻醉科的研究团队联合中国人民解放军火箭军特色医学中心等多家医疗机构，开展了一项创新性研究。研究人员利用机器学习技术，开发了能够早期预测严重创伤患者术后TIC风险的智能模型，相关成果发表在《Scientific Reports》杂志上。

研究团队采用了多中心回顾性研究设计，收集了2013年1月至2023年2月期间来自中国四家医院的创伤患者数据。通过Fisher Score特征选择算法筛选出32个关键预测变量，包括人口统计学特征、术前合并症、损伤情况、实验室检查指标和术中干预措施等。研究构建了7种机器学习模型进行比较，包括随机森林(RF)、逻辑回归(LR)、梯度提升决策树(GBDT)等，并采用SMOTE技术处理数据不平衡问题。模型性能通过五折交叉验证进行评估，最终选择表现最优的模型进行外部验证。

研究结果显示，在1204例开发队列患者中，TIC发生率为25.4%。通过比较7种机器学习模型的预测性能，随机森林(RF)模型展现出最佳表现，在测试集中的AUC达到0.82，外部验证集的AUC为0.73。特征重要性分析揭示了影响术后TIC发生的关键因素，包括术中胶体液输注量、术后体温、凝血酶原时间(PT)、国际标准化比值(INR)、晶体液输注量、血小板计数(PLT)、血钙水平等。其中，大量胶体液输注与TIC风险呈显著正相关，这与既往研究发现的稀释性凝血病机制相符。术后低体温也被确认为重要危险因素，因为低温会损害血小板功能和凝血因子活性。

SHAP分析进一步阐释了各特征对预测结果的贡献方向和程度。例如，高胶体液输注量(红色分布)与TIC高风险相关，而低输注量(蓝色分布)则对应低风险。这种可解释性分析为临床决策提供了直观依据，使医生能够理解模型的预测逻辑并评估个体患者的风险。

这项研究具有重要的临床意义。首先，这是首个专门针对术后TIC的预测模型，填补了该领域的空白。其次，相比传统评分系统，机器学习模型能够捕捉复杂的非线性关系，提高预测准确性。再者，模型整合了术中干预措施等关键变量，更适合手术创伤患者的特点。最后，通过外部验证证实了模型的泛化能力，为其临床应用奠定了基础。

研究的局限性包括回顾性设计可能引入偏倚、特征数量较多影响实用性等。未来研究可通过前瞻性多中心数据验证、简化预测变量、纳入更多代谢指标如乳酸等进一步优化模型。尽管如此，这项研究为创伤患者术后凝血功能障碍的早期识别和干预提供了有力工具，有望改善临床预后并优化医疗资源配置。