编辑推荐：
为探究严重创伤患者并发症和死亡率的预测因素，研究人员开展了关于入院和 ICU 中多项常规临床测量（如 AIS、NISS、SIRS 评分、乳酸值等）预测质量的研究。结果表明预测质量与测量时间点密切相关，该研究对临床决策具有重要指导意义。
在全球范围内，严重创伤一直是公共卫生领域的重大难题，它会导致较高的发病率和死亡率。在创伤发生后的急性期，患者极易出现各种并发症，像肺炎、败血症等，这些并发症会极大地影响患者的临床结局。所以，寻找能早期预测这些不良事件的指标，对创伤研究来说至关重要，这有助于临床医生及时采取干预措施，优化患者管理策略。
然而，目前众多研究主要聚焦于入院变量对创伤患者不良结局的预测价值，却很少关注病理生理参数随时间的动态变化。而且，之前的研究大多只针对单个参数，很少直接比较入院和 72 小时等不同时间点多个参数的预测能力。在这样的背景下，来自瑞士苏黎世大学医院等机构的研究人员开展了一项研究，相关成果发表在《European Journal of Medical Research》上。
研究人员进行了一项回顾性队列研究，数据来源于 2008 年至 2018 年在一所一级学术创伤中心接受治疗的严重创伤患者。这些患者的损伤严重程度评分（Injury Severity Score，ISS）≥16 分，且有完整或接近完整的数据集。研究排除了根据预先指示进行临终治疗的患者、二次转院患者等。研究的主要结局指标包括死亡率、肺炎和败血症。
为了进行分析，研究人员采用了两种关键技术方法：一是自适应增强算法（Adaptive Boosting，AdaBoost），这是一种人工智能机器学习集成方法，能将多个弱学习器（决策树）组合成一个强学习器；二是最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）回归分析，用于变量选择 。
研究结果如下：
- 患者基本情况：共纳入 3668 例患者，平均年龄 45.5 ± 20 岁，平均 ISS 为 28.2 ± 15.1 分。肺炎发生率为 19.0%，败血症发生率为 14.9%，总体死亡率为 26.8% 。
- 预测死亡率：入院时（Group TB），AdaBoost 模型预测早期死亡率的优势比（Odds Ratio，OR）为 48.37 ，AIS 头部、面部和四肢损伤是主要预测参数；ICU 中（Group ICU），LASSO 逻辑回归模型表现更优，红细胞压积、白细胞计数和乳酸是主要预测参数12。
- 预测肺炎：Group TB 中，AdaBoost 模型预测肺炎的 OR 为 30.08 ；Group ICU 中，Group LASSO 模型表现更好，乳酸、碱剩余和 C 反应蛋白（C-reactive protein，CRP）是主要预测参数34。
- 预测败血症：Group TB 中，预测败血症较困难；Group ICU 中，Group LASSO 模型在敏感性上更优，红细胞压积、白细胞计数、乳酸、碱剩余和 CRP 是主要预测参数56。
研究结论和讨论部分指出，临床变量对死亡率、肺炎或败血症的预测能力与观察时间密切相关。入院时，损伤严重程度和分布的测量对死亡率预测能力最强；72 小时时，炎症和血流动力学参数对死亡率、肺炎和败血症的预测更可靠。这表明病理生理参数的动态测量能反映疾病进展和治疗效果，对创伤护理意义重大。通过持续监测这些参数，医生可以及时发现并发症迹象并进行干预，例如调整手术时机和 ICU 治疗方案。
该研究也存在一些局限性，如人工智能分析依赖数据注册表中的变量，可能存在变量选择主观、部分变量未记录等问题；研究为回顾性单中心研究，结果可能不具有广泛代表性；临床测量存在时间、频率和技术差异，可能影响数据准确性和病例识别 。但总体而言，这项研究为创伤患者的临床管理提供了重要参考，强调了动态监测病理生理参数在预测不良结局和优化治疗策略方面的重要性，为后续研究和临床实践指明了方向。
