基于机器学习的中重度颅脑损伤后24小时内紧急神经外科手术预测

背景

创伤性脑损伤(TBI)患者需要紧急神经外科手术的快速转诊到专门的创伤中心可以显著降低发病率和死亡率。目前，还没有模型被报道用于预测重度至中度TBI患者需要急性神经外科手术。本研究旨在评估基于机器学习的模型的性能，以预测在中重度TBI后24小时内是否需要进行神经外科手术。

方法

回顾性多中心队列研究使用2011年11月至2020年12月国家创伤登记处(trauma abase®)的数据。入选标准为18岁以上院前评估中、重度TBI (Glasgow昏迷评分≤12分)患者。排除入院后24小时内死亡和二次转院的患者。人群被分为一个训练集(80%的患者)和一个测试集(20%的患者)。采用几种方法来定义最佳预后模型(线性最近邻模型或集合模型)。Shapley值用于确定最相关的院前预测变量。

结果

2159例患者纳入研究。914例患者(42%)需要在24小时内进行神经外科干预。患者主要为男性(77%)、年轻(中位年龄35岁[IQR 24 - 52])并伴有严重头部损伤(中位GCS 6[3-9])。基于对预测模型在测试集上的评价，logistic回归模型的AUC为0.76。采用CatBoost技术获得最佳预测模型(AUC 0.81)。根据Shapley值法，CatBoost中最具预测价值的变量为格拉斯哥昏迷初始评分低、渗透治疗后瞳孔异常的回归、高血压和低心率。

结论

基于机器学习的模型可以预测中、重度头部损伤后24小时内是否需要紧急神经外科手术。这种模型作为决策工具的潜在临床效益值得进一步评估。模型在现实环境中的表现和对临床决策的影响需要工作流集成和前瞻性评估。

创伤性脑损伤(TBI)是一个主要的公共卫生问题，主要影响年轻人、道路交通事故的受害者和老年人、摔倒的受害者[使用随机森林作为基础模型进行训练，以获得不同特征对选择的重要性]。尽管最近在神经外科和神经危重症护理方面取得了进展，但创伤性脑损伤仍然是损伤相关疾病-死亡的最常见原因之一[2］．为了改善预后，脑外伤基金会(BTF)院前指南建议TBI患者转移到具有计算机断层扫描(CT)扫描、神经外科护理和颅内压(ICP)监测能力的医院[3.］．在中度至重度创伤性脑损伤中，15-40%的患者需要急诊颅内手术，包括开颅术和去骨瓣减压术[4，5，6］．这些患者由于广泛颅内出血或严重颅内高压，在最初24-48小时内死亡的风险较高，因此需要及时识别并迅速转诊到专门的神经创伤中心(SNC) [7，8］．此外，早期识别有紧急神经外科风险的患者将使创伤小组能够有效地预测和准备所需的资源。这种整体改进可以简化创伤系统，提高时间效率。然而，在院前领域，由于在繁杂的院前环境中诊断资源有限，识别将受益于EN的TBI患者仍然具有挑战性[9］．机器学习(ML)通过利用大型数据集和先进的计算资源，提供了一种开发新的临床工具的方法[10，11］．近年来，使用机器学习方法开发了许多新的临床诊断工具[12，13］．本研究旨在探讨使用机器学习来构建中、重度颅脑外伤患者入院后24小时内紧急神经外科手术的预测模型。

研究设计

这是一项回顾性、多中心、横断面诊断研究，旨在预测TBI后24小时内是否需要进行神经外科手术。本研究坚持现有的诊断模型开发、个体患者数据元分析(IPD-MA)的建议，并根据个体预后或诊断多变量模型透明报告(TRIPOD)指南(见附加文件中的TRIPOD清单)报告结果模型1: S3) (14］．前瞻性数据收集始于2011年11月，结束于2020年12月。

参与者

所有患者，18岁或以上，疑似创伤性脑损伤，格拉斯哥昏迷评分≤12分，直接送往参与的SNC。入院后24小时内死亡或未直接入院的患者被排除在外。本研究包括了所有来自psychoabase®注册中心的创伤中心1: S1)。

数据源

基于国家分诊标准，psychabase®注册前瞻性地收集所有因疑似严重创伤而连续入住参与中心的患者的社会人口学、临床、生物学、治疗和医院演变数据[15］．对于每个患者，数据收集范围从入院前到出院。严重创伤被定义为一种可能危及生命或发生变化的伤害的情况1: S2)。

结果测量

主要结局指标是在创伤中心入院后24小时内是否需要紧急神经外科手术(EN)。急诊神经外科定义为硬脑膜下或硬脑膜外血肿清除术、脑内清除术、去骨瓣减压术和脑室外引流术治疗颅内高压。实施EN的选择留给了负责的创伤组。

预测的选择

这项工作最初考虑使用数据库中可用的所有39个院前变量。使用机器学习方法进行的初步分析表明，这些变量是有贡献的预测因素，但只有有限的数量被确定为确保满意的模型性能的重要因素。根据Shapley值进行多次迭代以选择和保留最相关的预测因子。该过程提供了15个院前预测因素:

(1)格拉斯哥昏迷评分，(2)初始收缩压，(3)初始舒张压，(4)初始氧饱和度，(5)口气管插管(院前管理期间)，(6)瞳孔异常(一个或两个瞳孔无反应)，(7)渗透治疗(院前管理期间甘露醇或高渗盐水)，(8)渗透治疗后瞳孔异常恢复，(9)初始心率，(10)损伤机制:(11)伤因:道路交通事故，(12)伤因:火器伤，(13)伤因:其他伤因，(14)伤因:被物体钝化(15)毛细血管血红蛋白值。

数据分析

数据集被划分为三个分区:派生集(训练集和验证集)和测试集。推导和测试集根据时间分割(推导集从2010年11月15日至2019年5月12日，测试集从2019年5月13日至2020年6月12日)组成。基于80/20时间分割，推导集再次被分割为训练集和验证集。缺失值采用混合数据析因分析(FAMD) imputation策略进行处理。用不平衡数据集训练的模型有偏向多数类的风险。为了避免这种偏差，研究组采用了合成少数群体过采样技术(SMOTE)，以平衡训练集中的类别分布[16(图。1)．SMOTE通过从已有的少数群体实例中合成新的少数群体实例，随机增加少数群体实例(TBI后需要神经外科)。它们是通过为少数群体中的每个例子随机选择一个或多个k近邻来生成的。

训练在训练集上进行，用验证集确定定义模型体系结构的参数(超参数)。一旦确定了导致最佳模型性能的超参数集，就会对测试集进行最终评估。这最后一步旨在测试如何将训练过的模型推广到与测试集对应的新数据。

模型选择

比较了候选模型的预测性能，包括线性和非线性预测模型。这些方法包括逻辑回归、k近邻、随机梯度下降和集成方法，如梯度增强。为了最大限度地及时识别需要EN的患者，通过优化f2评分来训练模型。这种选择允许通过限制导致潜在有害的二次转移延迟必要的EN的假阴性来训练模型。在最后一步(测试集)中，计算平均曲线下面积(AUC)来衡量和比较每个模型的预测性能。

可解释性

Shapley Additive explained (Shapley Additive explained)是Shapley Value的一个框架，它为每个预测(本研究中为24小时内的紧急神经外科)的重要性赋值。Shapley值为每个院前变量对变量的整体合作的重要性提供了定量度量。对于每个患者，计算每个变量的Shapley值，以确定其对24小时内EN预测的影响。通过平均每个患者每个变量的Shapley值，我们能够对其在预测模型中的重要性进行排名和评估。Shapley值既适用于变量重要性分类，也适用于变量效应分类。概要情节结合了不同的重要性和效果。摘要图上的每个点都是一个变量和一个实例的Shapley值。颜色表示从低(蓝色)到高(红色)的变量值，重叠点在y轴上被阻止。在这项研究中，正Shapley值有助于预测阳性结果(24小时内EN)，反之亦然。

统计分析

为了描述连续变量，我们使用中位数和四分位差，而数量和比例用于分类变量。

人口

2011年11月至2020年12月期间，共有27,023例患者纳入了创伤数据库。2159名符合纳入标准的患者被纳入研究，其中914名患者(42%)在最初24小时内需要EN(流程图，图2)。2)．推导集(训练和验证集)和测试集包括的患者数量分布如图所示。2．平均年龄为35岁[IQR 24-52]，人口以男性为主(77%)。道路交通事故是造成创伤的主要原因(53%)，其次是从高处坠落(32%)。中位GCS评分为6 [3.，4，5，6，7，8，936%的人有瞳孔异常。损伤严重程度评分(ISS)为29[22-38]，84%的患者在院前使用机械通气。未归责和归责后患者的特点汇总于表中1．

预测模型

logistic回归模型的AUC为0.76，最近邻(knn)技术的AUC为0.70，效果较差。另一组技术(Logistic回归、Knn、Sgd、Lgbm和xgb)的auc范围为0.70 ~ 0.81(图1)。3.)．使用CatBoost集合技术获得了前24小时内EN的最佳预测模型(AUC: 0.81)(图1)。3.)．

混淆矩阵

不同模型的混淆矩阵如图所示。4．所有的模型都倾向于限制假阴性的数量。Catboost模型具有44个假阴性和68个假阳性的平衡预测。限制假阴性的最佳预测模型是xgb(30个假阴性)(图5)。4)．

预测的选择

根据Shapley值，在该模型使用的15个院前变量中，格拉斯哥昏迷评分低、渗透治疗后瞳孔消退、收缩压或舒张压高和心率低是预测创伤后24小时内神经外科手术的最具影响力的变量(图。5)．模型中使用的所有院前变量均用Shapley值表示，如图所示。5．

在24小时内对需要EN的TBI患者进行院前识别，有助于提高对SNC的及时处理，有效地预测所需资源，加快患者特定的工作流程。在本研究中，基于ml的模型能够预测在中、重度TBI后24小时内进行EN的必要性，具有足够的识别力。这一结果倾向于证实，与常用的逻辑回归模型相比，CatBoost等线性模型传递了用于细化预测模型的新工具(附加文件2:图形抽象)。

这项研究有几个优点。首先，数据从具有强大数据管理的大型国家登记处提取。这些数据来自不同创伤系统的多个地理和结构不同的区域。其次，数据由训练有素和经验丰富的数据科学家通过多学科合作进行分析[17］．第三，基于机器学习的模型经常依赖大量的变量，而目前的模型在日常实践中完全依赖少量、快速和容易获得的院前变量，使其适合作为决策工具。第四，我们的研究结果与Abe等人最近的研究结果一致。在本研究中，ML算法在检测外伤性脑损伤后脑出血方面取得了与我们的模型(AUC: 0.78)相同的性能[18］．最后，本研究通过Shapley值提供模型“黑箱”的信息，以确保临床医生的可解释性和增加接受度。

预测的选择

基于ml的决策支持系统常常缺乏在其逻辑中被理解的可能性。ML模型的可解释性和可解释性仍然是数据科学领域的一个挑战，为了提供完全准确和令人信服的结果，应该改进模型。在我们的研究中，通过Shapley值来探索最相关的模型(Catboost模型)的“黑箱”。该方法解释了复杂模型的机制，并说明了如何做出决策。这一见解向临床医生证实了ML应用于医疗数据具有医疗一致性。在Catboost模型中，预测最重要的变量是收缩压高时EN使用较多的收缩压。此外，低心率值与神经外科相关。高血压和低心率的关联被称为库欣反射(Cushing’s reflex)，与大脑对严重颅内高压的适应性反应相对应[19，20.］．已经证明这种反射是神经外科的一个预测因子[21］．低格拉斯哥昏迷评分和瞳孔异常被发现是预测EN的重要因素。它们常提示严重的脑病变，如硬膜下或硬膜外血肿，并对大脑造成肿块效应[22］．所有的变量，以及我们预测模型中变量的含义，似乎在医学上是一致的，并呈现出强大的生理病理基础。

结果:入院后24小时内进行紧急神经外科手术

ML技术，特别是监督学习技术，基于大型数据集优化模型。因此，预测目标的确定是至关重要的。在本研究使用的注册表中，24小时内的EN是一个观察到的预定义变量，不是由理论指示或代理推导出来的。如果模型应用于依赖理论指示或代理的数据集，这种专一性可能会增加不准确性。此外，临床实践模式可能因临床医生、医院或创伤系统而异[23］．例如，基于Shapley值，火器伤后TBI比其他机制对神经外科的要求更低。我们可以假设，在这些病例中，临床医生同意早期退出护理，并避免对通常是灾难性的弹道脑损伤进行手术治疗。因此，在这种情况下，模型的自学习质量可能会导致系统偏差。为了进一步补偿在灾难性伤害的情况下早期退出护理的偏见，所有在24小时内死亡的患者都被排除在外。在我们的研究中，42%的EN发生率高于以往研究报道的15-30%。这些研究一般集中在住院期间，而本研究延长到最初的24小时，在此期间，挫伤或硬膜下和硬膜外血肿等损伤可能演变，需要进行二次神经外科治疗。

的角度来看

将创伤患者转介到创伤中心可改善死亡率和发病率，特别是当创伤严重时[24，25］．事实上，创伤系统只有在正确的时间内将患者送往正确的医院，并适当调动当地资源的情况下，才能充分发挥其潜力。因此，早期识别需要EN的TBI患者对于避免延误或预期充分的治疗(用于TBI凝血病变的血制品，改善脑压灌注的儿茶酚胺)是很重要的。然而，院前分诊阶段受时间限制，诊断辅助工具有限。因此，这种完全基于一些院前变量的ML模型可以帮助简化最严重的TBI患者的整个管理，最终目的是提高早期生存率和减少长期残疾[8，26，27］．

基于ml的临床算法必须专注于增强而不是取代人类智能。在以不确定性和复杂性为特征的情况下，ML工具可以提供更可靠和可重复的决策，或在有疑问时支持人类的决策。这个假设需要验证。我们的模型使用了与临床医生相同的生理推理，这一事实证实了它的稳健性，但也提出了其附加价值的问题。因此，下一步是与基于相同信息的医生预测相比，前瞻性地评估该工具的性能。最后，如果ML模型在日常实践中用于检测患者损伤的严重程度和决策过程中，应仔细评估其安全性，以避免伤害一组患者。事实上，如混淆矩阵所示，Catboost模型对NS的假负率为20%。考虑到分诊不足的风险，因此无法获得高资源复苏，这种假阴性率可能是患者层面的一个担忧。因此，最后一步需要工作流程集成和评估与临床医生和患者的结果的交互。

限制

这项研究的局限性需要考虑。首先，这是一项基于注册数据的回顾性研究，我们无法分解脑损伤的类型(硬膜下血肿、硬膜外血肿、蛛网膜下腔出血)。其次，该研究只关注直接入院的患者，以排除数据缺失的病例，因为可靠的院前数据往往在二次转运后缺失。第三，在训练阶段使用SMOTE技术来平衡各组，可能会通过创建人工新患者产生偏见。然而，该技术仍然是ML模型中经常使用的推荐参考。第四，Shapley值没有为高血压或低心率等连续变量提供任何特定的阈值。因此，我们无法为触发TBI患者转诊到专门中心的每个特征推荐一个精确的阈值。最后，为了设计该模型，我们选择了基于时间的分割，考虑到近年来TBI管理和预后的发展，这是值得怀疑的。然而，要框定依赖于时间的事件和动态更改(如管理模式)，基于时间的分割提供了一种健壮的推荐方法。

在本研究中，几个ML模型预测了中度和重度TBI后24小时内进行EN的必要性，具有可接受的辨别能力。这些模型完全基于少量、快速和容易获得的院前变量，打开了将模型轻松集成到临床决策支持工具的视角。这种工具的可靠性和有用性值得在前瞻性研究中评估。

支持本研究结果的数据可从创伤数据库组获得，但这些数据的可用性受到限制，这些数据是在当前研究的许可下使用的，因此不能公开使用。然而，根据作者的合理要求，并经创伤数据库组的允许，数据可从作者处获得。

创伤性脑损伤:

创伤性脑损伤

西门子数控(南京)有限公司:

专门的创伤中心

EN:

紧急神经外科

杀:

合成少数过采样技术

gc:

格拉斯哥昏迷评分

AUC:

曲线下面积

空间站:

损伤严重程度评分

被列为调查人员的创伤数据库贡献者。Paer-Selim Abback, Département d'Anesthésie Réanimation, Hôpital博尚，HPUNVS，克利希，法国。Gérard奥迪伯特，Département d'Anesthésie Réanimation, Hôpital德南希，南希，法国。Thomas Geeraerts, Département d 'Anesthésie Réanimation，法国图卢兹。Olivier Langeron, Département d'Anesthésie Réanimation, Hôpitaux亨利蒙多大学，Créteil，法国。Marc Leone, Département d'Anesthésie Réanimation, Hôpital Nord, AP-HM，马赛，法国。Julien Pottecher, Département d'Anesthésie Réanimation, CHU de Strasbourg Hautepierre，斯特拉斯堡，法国。Laurent Stecken, Département d 'Anesthésie-Réanimation, CHU de Bordeaux，法国波尔多。Jean-Luc Hanouz, Département d 'Anesthésie-Réanimation，法国卡昂。作者也感谢所有参与创伤项目的人(数据科学家，工程师，顾问，医生):Capgemini发明家:Myriam Ikken, Gouin Mathilde, Kenniche Hichem, Lam Virginie, Laveissiere Romain, Loubni Soukaina, Noel Estelle, pieron - perles Charlotte, Sahagian Gaaya Aicha, Sauvan Julien, Zryouil Karim， École des Hautes Études en Sciences Sociales/École Normale Supérieure:纳达尔Jean-Pierre INRIA /École Polytechnique: Jiang Wei, Mayer Imke。

这项研究没有得到具体的资助。Cap Gemini invention在一个非营利性研究联盟(trauma .fr)的框架内提供人力资源、数据科学和统计专业知识。一些参与中心从Agence-Régionale法兰西岛和Régionale Est机构获得定期的注册资金。

作者和联系

1. 麻醉科和重症监护科，波洪医院，帕拉布尔，AP-HP。法国克利希，勒克莱尔大道100号Général

   让-丹尼斯·莫耶和查尔斯·伯纳德

2. Capgemini发明，洞察驱动企业，专注于数据和人工智能服务，巴黎，法国

   帕特里克•李

3. 麻醉科和重症监护科，里尔，法国

   路易斯•亨利

4. 麻醉和重症监护科，Hôpital Européen乔治蓬皮杜，巴黎，法国

   Elodie朗

5. 麻醉与重症监护科，Hôpital Henri Mondor, Créteil，法国

   法布里斯做饭

6. 法国斯特拉斯堡麻醉科和重症监护科

   范妮Planquart

7. 法国克拉art Henri Barbusse大道101号珀西军事教学医院重症监护室，邮编92140

   马修Boutonnet

8. Val de Grace学院，Place Alphonse Laveran, 75005，法国巴黎

   马修Boutonnet

9. 法国南巴黎大学麻醉与危重护理系Bicêtre Hôpitaux，巴黎萨克莱大学Université，勒克里姆林Bicêtre

   阿纳托尔Harrois

10. Déchocage- Bloc des urgent, Pole Anesthésie- Réanimation, CHU Grenoble Alpes, La Tronche，法国

    托拜厄斯高斯

财团

贡献

所有的作者都写了手稿并创造了人物。所有作者都参与了患者的治疗和数据收集。概念和设计:JDM, PL, TG。统计分析:JS数据解读:JDM, CB, PL, HA, TG, MB，所有作者认真审阅并同意提交最终稿件。

相应的作者

对应到Jean-Denis梅奥．

伦理批准和同意参与

创伤abase®获得了机构审查委员会的伦理批准(Laurent Capelle教授，Paris Cedex 13, France;Comité人身保护，巴黎六世)、卫生研究信息处理咨询委员会(CCTIRS, 11.305bis)和国家信息和自由委员会(CNIL, 911461)。

同意出版

不适用。

相互竞争的利益

TG过去向Biomédicament实验室申报咨询费。

出版商的注意

伟德体育在线施普林格自然对出版的地图和机构附属的管辖权要求保持中立。

开放获取本文遵循创作共用署名4.0国际许可协议(Creative Commons Attribution 4.0 International License)，该协议允许在任何媒体或格式中使用、分享、改编、分发和复制，只要您给予原作者和来源适当的署名，提供创作共用许可协议的链接，并说明是否有更改。本文中的图片或其他第三方材料包含在文章的创作共用许可中，除非在材料的信用额度中另有说明。如果材料不包含在文章的创作共用许可中，并且您的预期用途不被法律法规允许或超出了允许的用途，您将需要直接从版权所有者那里获得许可。欲查看此许可证的副本，请访问http://creativecommons.org/licenses/by/4.0/．创作共用公共领域奉献放弃书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据，除非在数据的信用额度中另有说明。

再版和权限