创伤患者30天死亡风险的动态预测：混合神经网络模型的开发与评估
核心概要
该研究利用丹麦首都大区2017至2024年间9496例创伤患者的电子健康记录，构建了一个融合表格数据与时间序列数据的混合神经网络模型，可在从院前到出院的任意时间点预测30天全因死亡风险，在包含1829例患者的留出集上取得AUROC 0.962、AUPRC 0.655，并在首次接触患者后1小时的活跃队列评估中取得AUROC 0.905，其判别能力优于修订创伤评分（平均ΔAUROC +0.297）和创伤与损伤严重度评分（平均ΔAUROC +0.169）。
深度剖析
模型可在创伤救治轨迹的任意时间点输出30天死亡风险，而非仅在固定入院时点评估。 传统创伤风险评估系统被描述为简单且数据稀疏，而该模型将人口学与合并症变量作为表格数据、将生命体征、实验室结果和用药作为具有时间动态分箱的序列数据统一输入，经多层transformer编码器后做二分类。 在9496例患者数据上开发，留出集（20%，1829例）全轨迹评估AUROC 0.962（95% CI 0.930-0.994）、AUPRC 0.655（95% CI 0.545-0.765）。
模型在院前阶段即具备早期判别能力。 活跃队列评估显示，在首次接触患者后1小时即可给出风险估计，将预测窗口前移至院前救治阶段。 活跃队列1小时AUROC 0.905（95% CI 0.856-0.953）。
与两种常用创伤评分相比，模型在多数时间点具有更高的判别能力。 相对修订创伤评分平均ΔAUROC +0.297，54个时间点中50个显著；相对创伤与损伤严重度评分平均ΔAUROC +0.169，54个时间点中46个显著。 基于留出集的时间点比较，报告了显著性计数与平均差值。
该研究展示了基于自动提取电子健康记录数据进行序列化创伤风险建模的可行性。 数据来自丹麦首都大区2017至2024年的院前与院内救治记录，连续变量仅在观测值上拟合缩放与归一化参数，缺失值采用零插补并辅以指示通道，分类缺失值映射到保留标记并学习嵌入。 模型开发与评估研究，报告了AUROC与AUPRC及置信区间。
启示与展望
该模型面向创伤患者从院前到出院全程的30天全因死亡风险预测，适用于具备可自动提取的电子健康记录、包含生命体征、实验室与用药等时间序列数据的救治环境。其预期用途包括分诊决策支持、患者恶化预警、床旁决策与家属沟通。研究基于丹麦首都大区2017至2024年的数据开发与评估，结果适用于该数据来源所代表的人群与救治体系。
该研究为模型开发与评估研究，报告的是留出集与活跃队列上的判别性能，未在文本中呈现校准度、临床效用或前瞻性部署结果。模型在丹麦首都大区以外人群与救治体系中的表现、以及在不同缺失模式与数据质量下的稳健性，仍是需要后续研究回答的问题。此外，当前加载文本为摘要级内容，未包含图表与补充材料，因此关于模型结构细节、超参数与亚组分析的信息有限。