目前预测TBI后神经功能长期转归和死亡的预后模型是建立在入院时患者临床表现的基础上。但由于患者受伤时异质性较大，这类模型仅用入院时数据设定预测标准，在不同的TBI群体中的应用结果存在差异，模型难以推广。

——摘自文章章节

颅脑创伤（TBI）患者在住院急性期可发生继发性脑损伤（SBI），通常为缺氧和颅内压（ICP）升高所致。目前预测TBI后神经功能长期转归和死亡的预后模型是建立在入院时患者临床表现的基础上。但由于患者受伤时异质性较大，这类模型仅用入院时数据设定预测标准，在不同的TBI群体中的应用结果存在差异，模型难以推广。将住院急性期继发性损伤纳入预后预测模型中，能更好的描述TBI病程特征，可以提高预测结果。美国德克萨斯州大学安德森癌症中心生物统计学科的M. Laura Rubin等根据入院时临床特征、损伤严重程度以及入驻ICU后第一个24小时内自动采集的生理学参数，通过机器学习算法，建立TBI患者伤后6个月的GOS功能预后预测模型，结果发表在2019年4月的《J Neurotrauma》在线上。

该研究纳入在美国休斯敦Ben Taub总医院神经外科ICU收治的重型TBI患者，将患者分为1989年至2000年训练组和2006年至2012年测试组。采集入院时患者的人口学以及临床数据。进ICU后，由监护仪每36秒自动采集颅内压、平均动脉压（MAP）和氧饱和度等指标。此外，由ICU护士每小时1次人工记录生命体征。将伤后6个月的GOS评分作为主要功能预后指标。

训练组472例TBI患者，测试组158例。6个月GOS预后不良的比例分别为63%和66%。入院时的各项指标和评分定义为静态指标，入驻ICU后第一个24小时内监测仪自动采集的生理学、损伤严重程度以及治疗情况等指标定义为动态指标。建模时，首先用套索算法（LASSO）选择一系列最具预测意义的变量。然后，用几种不同的机器学习算法对这些变量进行分析建模；根据AUC曲线下面积评价模型的分辨能力。通过计算布莱尔积分评估特定模型的效力，并计算当特异性为80%、85%和90%时，各个模型的敏感性。

训练组与测试组患者中，GCS运动评分、瞳孔反应、血压降低、年龄、初次ICP以及蛛网膜下腔出血（SAH）和硬膜外血肿（EDH）分布相似，但损伤严重程度（ISS）评分（p＜0.001）和马歇尔CT分级（p＜0.001）均存在显著差异。训练组（p=0.58）与测试组（p=0.75）的ISS评分均与不良GOS评分无关，但马歇尔CT分级与不良GOS评分有显著相关（p＜0.001）。

训练组总共计算959种动态指标和7种静态指标。431例患者的指标数据可用于统计分析。最终LASSO模型选取35个重要的GOS预测因子。重要的静态指标有：国际颅脑创伤预后和临床研究（IMPACT）核心模型预后不良评分、EDH以及马歇尔CT扫描分级。重要的动态指标有：与聚类隶属度、标准差、MAP和ICP相关系数指标、倒谱系数以及损伤后24小时内最佳GCS运动评分。

不同算法构建的预测模型中，使用收缩系数LASSO模型的分类精度最高，其次是随机森林（RF）、Logistic回归（LR）和线性判别分析（LDA）。测试组的LASSO模型的AUC为0.85（95% CI，0.79-0.91），而RF、LR和LDA为0.83。依据静态指标和动态指标的收缩系数LASSO模型在测试组显示，显著优于仅依据静态指标的模型（AUC为0.85比0.77；p=0.01）。

为评估损伤后24小时动态指标的模型预测6个月预后的作用，对包括最佳GCS运动评分在内的生理学和临床特征进行LASSO模型分析。测试组使用收缩系数LASSO模型的评估显示，动态指标并不优于静态指标模型（AUC为0.73比0.77）。

采用伤后第一天24小时动态指标的模型进行预测时，最佳GCS运动评分可能是TBI患者长期功能预后最重要的预测因子。在测试组中，该LASSO模型AUC为86% （95% CI，0.80-0.92）。

测试组中表现为效力最高的模型包含以下变量：SAH、EDH、IMPACT核心模型不良预后评分、前24小时最佳GCS运动评分和马歇尔CT分级。该模型的AUC维持在86%（95% CI，0.80-0.92）。而且与数据拟合良好（HL p-value=0.52）；综合性能的布里尔评分为38%。对于特异性80%、85%和90%，模型能分别正确分类80%、75%和63%的GOS预后不良患者。在不同TBI患者群体中进行模型训练时，结果均稳定。

该研究建立第一个基于大样本的使用入院后第一个24小时动态指标的预后预测模型，并经独立样本验证。作者认为，TBI患者入院时的临床特征结合伤后第一个24小时的最佳GCS运动评分能准确评估患者6个月的GOS预后。进一步结合第一个24小时的ICU自动监测的动态指标具有更高的预测预后价值，但也需要注意由于数据丢失和临床决策时机带来的偏倚。