「这名患者，能救得回来吗？要不要直接送进手术室，是先去重症监护室吗。」
当一名浑身是血的患者被送到面前，医护人员往往需要在极短时间内做出一连串关键判断。
韩国研究团队分析超过20万名患者的记录，构建出一套可为上述决策提供参考的预测模型。
高丽大学安岩医院重症创伤外科李在明教授与梨花女子大学木洞医院重症外科白承珉教授组成的联合研究团队7日介绍，他们利用人工智能机器学习技术，开发出可预测创伤患者早期死亡风险的模型。不过，该模型并非可直接安装在医院即用的软件，更接近一种预测算法：输入患者信息后即可计算出死亡风险数值。
交通事故、坠落等创伤是全球主要死因之一，尤其在年轻人群中更为突出。
在这类情况下，患者状况可能在短时间内急剧恶化。只有尽早准确识别高危患者，医护人员才能迅速处置，并对重症监护室、手术室、输血等资源进行合理分配。
但事故情境、受伤部位与程度、年龄与基础身体状况、从事故现场到医院途中接受的急救处置、到院后的治疗过程等因素高度交织，使得这一判断远非易事。
既有研究多仅基于一两家医院的少量数据，难以确认在其他医院或不同时间段是否同样适用；也常出现难以解释人工智能依据何种理由作出预测的情况。
基于20万7012份记录构建的预测模型
研究团队分析了韩国疾病管理厅自2016年至2020年收集的全国重症创伤数据23万7616例，剔除缺失或前后不一致的记录后，最终纳入20万7012例。团队以2016~2018年数据构建预测模型，并用2019~2020年数据验证实际表现。也就是说，他们检验的并非已知数据，而是该模型能否同样适用于此前未见过的新患者。
研究团队并行运行并比较了6种机器学习方法的表现：逻辑回归(Logistic Regression)、k-最近邻(k-NN)、决策树(Decision Tree)、随机森林(Random Forest)、多层感知机(MLP)、XGB。
其中，XGB模型表现最佳。在两项用于衡量其区分高危与非高危患者能力的评估指标上，分别达到0.985和0.957。该指标越接近1代表越准确，超过0.98的得分在该领域属于非常高的水平。表现第二的随机森林模型也取得0.984和0.956，性能相近。
即便在2020年新冠疫情流行、急救医疗体系整体受到冲击的时期数据中，XGB模型也取得与平时几乎相同的0.984。这意味着即使院外环境再混乱，该预测模型仍能稳定发挥作用。
风险判断依据是什么
研究团队还进一步分析了该预测模型依据哪些信息作出风险判断。他们采用名为SHAP的分析方法，逐一回溯人工智能在作出最终判断时，各项信息分别产生了多大影响。
结果显示，到院前是否发生心搏骤停、损伤严重度评分、年龄、首次输血所需时间等，是区分死亡风险的关键因素。巧合的是，这些因素也与急诊室医护人员面对患者时最先确认的信息高度重合。
重要的不只是给出结果，还能说明「为何判断为高风险」。只有明确判断依据，医护人员才更可能信任并参考该结果。
本研究的意义还在于其基于全国层面的公共数据。研究不仅考察预测准确度，也同时评估能否解释为何如此判断（可解释性）、能否推广至其他医院（可扩展性）、以及在时间推移或情境变化下能否保持性能（泛化能力）。因此，该模型显示出并非只适用于某一家医院，而是有望在多种场景中应用。不过，本次结果仍处于对既往记录进行分析验证的阶段，若要在真实医院现场落地，还需要进一步验证。
李在明教授表示，「期待未来能成为在急救医疗体系与创伤诊疗现场快速筛查患者风险等级的基础资料」。白承珉教授说，「我们利用全国创伤登记资料，确认了在体系层面筛查早期死亡风险的可能性」，并表示「未来将通过校正与前瞻性验证，进一步发展为把基于AI的风险筛查整合进急救医疗体系与创伤系统的研究」。
在急诊室里，几秒钟的判断就可能决定生死。虽然这项技术尚不会立刻在所有医院普及，但随着此类预测模型在反复验证后逐步在一线落地，「要是当时能再早一点知道就好了」的叹息，或将一点点减少。
本研究发表于急诊与创伤外科领域国际学术期刊 《World Journal of Emergency Surgery》。该期刊在外科与急诊医学领域位列前约2.6%（平均JIF百分位97.4），属于Q1期刊。
