《Brain Injury》：Hospital mortality and discharge destination prediction after fall-related traumatic brain injury in older adults
编辑推荐：
目的：开发预测模型以支持对患有跌倒相关创伤性脑损伤（traumatic brain injury, TBI）的老年人的照护。背景概述：跌倒相关TBI是导致老年人住院和死亡的主要原因。由于衰弱和合并症负担极大地影响康复轨迹，因此该人群的预后判断仍具挑战性。旨在支
目的：开发预测模型以支持对患有跌倒相关创伤性脑损伤（traumatic brain injury, TBI）的老年人的照护。背景概述：跌倒相关TBI是导致老年人住院和死亡的主要原因。由于衰弱和合并症负担极大地影响康复轨迹，因此该人群的预后判断仍具挑战性。旨在支持个体化患者护理的定制化预后模型仍然有限。患者与方法：研究人员分析了国家创伤数据库（NTDB，2017–2021年）中因跌倒相关TBI住院的179,287名老年人（≥65岁）的数据。采用多元自适应回归样条（MARS）模型预测院内死亡率和出院去向（回家、康复机构或护理机构）。预测变量的选择基于临床医生的意见，并通过区分度和校准度评估模型性能。结果：死亡率模型显示出高区分度（AUC 0.88, 95% CI 0.87–0.89；平衡准确率79%）。出院模型在各出院去向间表现出中等至良好的区分度（AUCs 0.77–0.85；平衡准确率70%–77%）。两个模型均显示出良好的校准度，并已部署为交互式网络工具。结论：本研究开发了两个预后模型，可提供个体化的结局概率，以支持因跌倒相关TBI住院的老年人的预后沟通和护理规划。
论文解读文章
一、研究背景与问题
创伤性脑损伤（traumatic brain injury, TBI）在美国构成了重大的公共卫生负担，其中跌倒已成为推动老年人TBI住院率和死亡率上升的主要因素。然而，针对这一快速增长人群的院内预后判断极为困难。老年患者的康复轨迹不仅受损伤严重程度影响，还深受年龄相关的生理脆弱性、合并症、多重用药、衰弱及伤前健康状况等复杂因素的干扰，导致预后不确定性显著增加。尽管已有如CRASH和IMPACT等成熟预后模型，但它们多基于较窄的复合结局指标、单中心数据或更广泛的成人TBI人群，缺乏对高风险跌倒相关老年群体的针对性，限制了其在临床护理规划中的实用性。此外，现有模型在病例组合、机构资源和出院实践上的差异也制约了其普适性。为此，亟需开发专门针对老年跌倒相关TBI患者的、能够提供个体化院内死亡风险和出院去向预测的预后工具，以支持临床沟通与护理决策。
二、研究概述与意义
为填补上述空白，本研究利用美国外科医师学会国家创伤数据库（National Trauma Data Bank, NTDB）2017–2021年间的大规模登记数据，纳入179,287名因钝性、非故意跌倒相关TBI住院的老年人（≥65岁），开发并内部验证了两套预后模型。研究得出的主要结论是：所开发的死亡率模型（AUC 0.88）和出院去向模型（宏观AUC 0.79）均表现出良好的区分度和校准度，能够为临床提供可靠的个体化结局概率估计。这两套模型已被部署为公开可用的交互式网络工具，有望作为辅助手段，帮助临床医生、患者及家属进行更有效的预后沟通、康复规划和出院准备，从而改善这一脆弱群体的护理过渡质量。
三、关键技术方法
研究人员采用了以下关键技术方法：
- 1.
数据来源与样本队列：数据来自美国外科医师学会创伤质量项目参与用户文件（NTDB/TQP PUF），包含2017–2021年间全美参与创伤中心的标准化临床与损伤数据。最终分析队列为173,170例符合条件的记录，并按比例划分为训练集（n=129,877）、验证集（n=34,635）和测试集（n=8,658）。
- 2.
变量筛选与预处理：候选变量由TBI治疗医师根据临床相关性、住院期间的可获取性及既往文献关联性共同确定。合并症和医院事件被预先归入临床相关类别以提高可解释性。缺失率>10%、患病率<1%或变异性极小的变量被排除。
- 3.
模型构建算法：采用多元自适应回归样条（multivariate adaptive regression splines, MARS）开发预后模型。该方法能够捕捉非线性关系和阈值效应，同时保持临床可解释的模型结构。模型在训练集中通过10折交叉验证优化，并在验证集中确认最终规格，最后在独立的测试集中进行最终评估。
- 4.
性能评估与敏感性分析：通过区分度（AUC）、平衡准确率、灵敏度、特异度、校准度和Brier评分评估模型性能，置信区间通过400次自助法（bootstrap）重抽样估算。此外，按格拉斯哥昏迷量表（Glasgow Coma Scale, GCS）严重程度分层进行了亚组分析，并对先前因高缺失率而排除的变量进行多重插补后重新引入，以检验模型稳健性。
四、研究结果
1. 队列特征
在训练集中，平均年龄范围为76.5至79.2岁，性别分布大致均衡，多数患者为白人（78–85%）并享有公共医疗保险。死亡组患者损伤严重度更高（GCS约11分，ISS约20分），中线移位发生率更高。总体而言，59.7%的患者出院回家，23.0%前往护理机构，14.6%进入住院康复机构，12.0%死亡或转入临终关怀。
2. 模型开发与最终预测因子
经过交叉验证和复杂度参数优化，最终选择了不含交互项的简约模型。死亡率模型保留了12个临床预测因子，出院去向模型保留了6个预测因子。两个模型共有的预测因子包括：年龄、GCS评分、痴呆、入住ICU天数、住院天数和静脉血栓栓塞（venous thromboembolism, VTE）预防措施。最终模型已部署为交互式图形用户界面，分别可通过提供的网址访问。
3. 模型区分度表现
在独立测试集上，死亡率模型的AUC为0.88。出院去向模型采用一对多（one-vs-rest）方法计算，宏观AUC为0.79，其中各去向的AUC范围为0.77至0.85。
4. 分类性能指标
死亡率模型的平衡准确率为0.79，灵敏度0.83，特异度0.78。出院去向模型中，回家出院的性能最高（平衡准确率0.77，灵敏度0.79，特异度0.74），护理机构和康复机构出院的平衡准确率分别为0.71和0.70。
5. 精确率-召回率曲线
所有模型的精确率-召回率曲线均高于无技能基线，表明在类别不平衡情况下仍有有意义的预测性能。其中，回家出院的精确率在宽泛的召回率范围内保持最高。
6. 校准度
校准图显示预测概率与观察结局之间有良好的一致性。死亡率模型的Brier评分低至0.039。出院去向模型整体校准良好，总体Brier评分为0.14，但对康复机构出院的预测在高概率区间存在低估现象。
7. 敏感性分析
按GCS严重程度分层后，死亡率模型在重度损伤（GCS 3–8）患者中表现最佳（AUC=0.90），而在轻度和中度损伤中表现下降。出院去向模型则在轻度损伤患者中区分度最好。重新引入经插补的先前排除变量并未改善模型性能。
五、讨论与结论总结
讨论部分：研究人员指出，TBI后的康复具有高度异质性，尤其在老年人群中，年龄相关的脆弱性和合并症负担深刻影响着康复轨迹。本研究中，临床医生指导下的框架确保了模型与真实世界决策过程的契合。两个互补模型分别回答了TBI护理中的两个关键问题：生存可能性及幸存者所需的急性后期护理水平。模型保留的预测因子（如高龄、低GCS、痴呆、长ICU/住院时间等）在临床上合理，共同反映了基线脆弱性、神经损伤严重度及住院期间的病情演变。这些模型使用少量常规临床变量即可获得良好性能，增强了其实用价值。值得注意的是，中度损伤（GCS 9–12）患者的模型性能较低，这可能反映了该群体固有的高度异质性。出院去向模型在中重度损伤中性能下降，则可能与未纳入的社会经济因素、照顾者可得性等有关。
结论部分：研究人员利用大型国家创伤登记数据库中常规可获得的临床信息，开发并内部验证了用于预测因跌倒相关TBI住院的老年人院内死亡率和出院去向的预后模型。这些模型提供了死亡风险和出院去向的个体化估计值，旨在支持整个住院期间的预后沟通、康复规划、照顾者准备和护理过渡决策。虽然这些工具不能替代临床判断或决定治疗方案，但其作为促进临床医生、患者及家属之间沟通和共同决策的支持性辅助工具的作用，仍需前瞻性验证。
