《Bioengineering》：Augmented Reality Navigation Versus Patient-Specific Cutting Guides for Simulated Fronto-Orbital Surface Trajectories in Facial Feminization Surgery: A Preclinical Accuracy Study
编辑推荐：
背景：伴有创伤性脑损伤（TBI）的老年患者即使初始格拉斯哥昏迷评分（GCS）为13–15分，仍可能出现神经功能恶化。本研究评估了TabTransformer能否利用入院时获取的临床表现、凝血功能检查结果及定量计算机断层扫描（CT）测量数据，预测24小时内的神经
背景：伴有创伤性脑损伤（TBI）的老年患者即使初始格拉斯哥昏迷评分（GCS）为13–15分，仍可能出现神经功能恶化。本研究评估了TabTransformer能否利用入院时获取的临床表现、凝血功能检查结果及定量计算机断层扫描（CT）测量数据，预测24小时内的神经功能恶化。方法：研究人员回顾性研究了单中心接受保守治疗的350例患者。神经功能恶化定义为24小时内GCS评分下降至少2分。研究人员将带有多层感知器（MLP）分类头的TabTransformer与极端梯度提升（XGBoost）、随机森林、逻辑回归及仅含MLP的消融模型进行了比较。评估指标包括受试者工作特征曲线下面积（AUROC）、精确率-召回率曲线下面积（AUPRC）、灵敏度、特异度、布里尔分数及校准曲线。研究人员采用沙普利加性解释（SHAP）分析模型行为，并将预测概率分为三分位数进行探索性风险分层。结果：在测试集上，TabTransformer的AUROC达到0.825（95% CI，0.713–0.927），事件发生率与校正后的结局患病率一致。该模型的表现优于其他比较模型。D-二聚体、急性硬膜下血肿厚度、纤维蛋白原及最大脑挫裂伤直径对预测的贡献最大。观察到的恶化率在低、中、高风险概率组中依次递增。结论：在本队列中，TabTransformer的预测校准良好，能够区分发生与未发生神经功能恶化的患者。SHAP值有助于解释个体预测。在考虑将该模型用于临床之前，需要在其他中心的前瞻性队列中进行验证。
基于TabTransformer的老年轻中度创伤性脑损伤患者24小时内神经功能恶化预测研究解读
一、研究背景与意义
创伤性脑损伤（TBI）在老年患者中的占比日益增加，其中许多患者因跌倒等低能量事件受伤，入院时并无明显神经功能缺损。然而，老年患者脑血管更为脆弱、生理储备较低，且高血压、糖尿病或抗凝治疗等因素可能使恢复过程复杂化。部分入院时格拉斯哥昏迷评分（GCS）为13–15分的患者会在随后数小时内出现病情恶化。如何在入院时准确识别需要密切观察的高危患者，是临床面临的重要挑战。
TBI后神经功能状态恶化与住院时间延长、残疾程度加重和死亡率升高密切相关。入院时做出风险评估有助于临床医生决定检查频率、影像复查时机以及凝血异常是否需要早期干预。目前常用的CRASH和IMPACT预后模型所预设的变量和模型项可能无法捕捉实验室检查与影像测量数据加入后产生的交互效应。既往研究已将早期恶化与凝血功能障碍和CT异常相关联，高D-二聚体、低纤维蛋白原可能提示活动性出血，而急性硬膜下血肿（ASDH）厚度、中线移位、挫裂伤大小及骨折类型则从不同角度描述颅内损伤特征。此外，轻中度TBI患者中恶化发生率仅约6%，事件数过少使得传统回归和简单决策树难以识别不太明显的非线性关系。
二、研究设计与技术方法
研究人员开展了一项单中心回顾性队列研究，利用神经外科电子病历和影像档案，筛选2021年10月至2024年12月期间连续入院患者。最终纳入350例患者（男性113例，女性237例），平均年龄57.91±12.32岁。纳入标准为年龄18岁及以上、有明确头部外伤史、入院GCS评分为13–15分且未接受急诊开颅手术。结局定义为入院后24小时内GCS评分下降至少2分，该定义下92/350例患者（26.3%）达到结局标准。
研究采用的主要技术方法包括：第一，TabTransformer架构，该模型将分类变量嵌入并通过四层多头自注意力Transformer块学习上下文相关表征，再与标准化后的连续变量拼接，经128、64、32单元的多层感知器（MLP）分类头输出恶化概率；第二，特征选择采用最小绝对收缩和选择算子（LASSO）回归，通过交叉验证选择正则化强度λ=0.0256并保留非零系数特征；第三，缺失数据处理采用链式方程多重插补，并以K近邻插补作为敏感性分析；第四，模型比较包括极端梯度提升（XGBoost）、随机森林、逻辑回归及仅含MLP的消融模型；第五，可解释性分析采用沙普利加性解释（SHAP）方法，计算各特征对预测的贡献值并绘制依赖图；第六，模型评估采用受试者工作特征曲线下面积（AUROC）、精确率-召回率曲线下面积（AUPRC）、灵敏度、特异度、布里尔分数及校准曲线，并使用1000次自助抽样估计置信区间。
三、研究结果
3.1 研究人群基线特征
在350例患者中，92例（26.3%）在24小时内出现GCS评分下降至少2分的神经功能恶化，其余258例（73.7%）保持稳定。训练集事件数为69/245例（28.2%），测试集为23/105例（21.9%）。恶化组与稳定组在多项入院指标上存在显著差异：恶化组D-二聚体中位值为28.5 μg/mL，显著高于稳定组的9.8 μg/mL（p<0.001）；恶化组平均纤维蛋白原较低（256 vs. 325 mg/dL，p=0.002）；恶化组ASDH厚度中位值较大（6.8 vs. 3.1 mm，p<0.001）；最大脑挫裂伤直径（p=0.001）和收缩压（p=0.018）也存在组间差异。年龄、性别及抗栓药物使用情况在两组间相似。
3.2 模型预测性能
在测试集上，TabTransformer的AUROC为0.825（95% CI 0.723–0.927），优于随机森林（0.814）、逻辑回归（0.804）和XGBoost（0.797）。在选定分类阈值0.368下，灵敏度为0.552，特异度为0.908，阳性预测值（PPV）为0.552，阴性预测值（NPV）为0.696。TabTransformer还取得了最低的布里尔分数（0.048），校准曲线显示预测与观测恶化概率之间具有良好一致性，决策曲线分析表明在多个风险阈值范围内相较于“全部治疗”和“全部不治疗”策略具有临床相关净获益。
3.3 全局特征重要性分析
SHAP分析显示，D-二聚体对预测贡献最大，其后依次为ASDH厚度、纤维蛋白原、最大脑挫裂伤直径和入院收缩压。贡献方向与组间比较结果一致：D-二聚体、ASDH厚度和挫裂伤直径升高时风险估计趋于上升，纤维蛋白原升高时风险估计趋于下降。
3.4 关键预测因子的SHAP依赖分析
SHAP依赖图显示，D-二聚体约在30 μg/mL以上时贡献通常转为正值，纤维蛋白原约在200 mg/dL以下时呈现相反模式，ASDH厚度约在5 mm附近、挫裂伤直径约在10 mm附近出现相应变化。这些转变点来自研究数据本身，并非既定的临床阈值，在其他人群中可能发生变化。
3.5 风险分层分析
将患者按预测概率分为三等份后，低风险组恶化率为0.9%，中风险组为3.4%，高风险组为14.5%，呈阶梯式递增。高风险组患者通常具有更高的D-二聚体、更厚的ASDH、更大的挫裂伤、更低的纤维蛋白原和更高的收缩压，与SHAP图显示的方向一致。
四、讨论与结论
讨论部分指出，本研究基于单中心350例老年轻中度TBI患者入院数据，TabTransformer在预测24小时内神经功能恶化方面达到测试集AUROC 0.825（95% CI 0.723–0.927），判别能力优于XGBoost、随机森林、逻辑回归及MLP消融模型，但相较于MLP网络的提升幅度有限，表明注意力编码器贡献了额外信号但增量收益不大。研究仅基于92个恶化事件，为此采用了分层划分、重复五折交叉验证、1000次自助重采样、类别加权、丢弃法和早停等措施限制并量化过拟合风险。SHAP分析一致地将D-二聚体、ASDH厚度、纤维蛋白原、挫裂伤直径和收缩压列为最具影响力的变量，这些结果反映的是模型捕获的关联而非因果效应。在选定操作阈值下特异度达90.8%但灵敏度仅55.2%，提示需要结合判别力和校准证据综合解读操作特征。三分位风险分层分析展示了从最低到最高预测风险组恶化风险的阶梯式递增，但分层边界来自同一队列，不能直接用于指导临床决策。主要局限性包括事件数有限、单中心回顾性设计、激活函数选择未做替代比较、队列限于老年人、CT测量为人工完成，以及模型仅依赖入院信息而未纳入后续生命体征、凝血结果或影像变化。研究结论为：基于350例老年轻中度TBI患者入院数据，TabTransformer对24小时内神经功能恶化的预测达到测试集AUROC 0.825（95% CI 0.723–0.927），D-二聚体、ASDH厚度和纤维蛋白原对预测贡献最大。该估计来自含92个结局事件的单中心队列，在模型或其风险分组用于个体患者决策之前，需通过外部前瞻性研究评估其判别力、校准度及临床适宜的操作阈值。
