基于急诊入院指标的颅脑损伤病人早期预后多维度预测模型的建立

目的构建一种结合病人急诊入院时基线特征、CT影像指标和血生化指标的预测模型,以评估颅脑损伤(TBI)病人伤后30 d预后。方法选择2013年4月至2020年8月收治的666例TBI,其中2013年4月至2018年4月收治的557例为训练组,2018年5月至2020年8月收治的109例为测试组。伤后30 d,使用GOSE评分进行预后评估,5~8分为预后良好,1~4分为预后不良。使用单因素logistic回归和LASSO回归分析筛选最终纳入模型的因素,并采用多因素logistic回归分析构建预测模型。C指数、校准曲线和决策曲线分析评估模型的临床适用性,并用测试组进行验证。结果发病30 d,训练组预后良好470例,预后不良87例;测试组预后良好87例,预后不良22例。单因素logictic回归和LASSO回归筛选出三类预测因素:基线特征(GCS评分、年龄、瞳孔反射),CT特征(中线移位、蛛网膜下腔出血、基底池状态),血生化指标(单核细胞计数、血红蛋白、血糖)。C指数、校准曲线和决策曲线分析显示多因素logistic回归构建的预测模型具有良好的临床应用价值。结论我们构建了一个基于TBI病人急诊入院时基线特征、CT特征和血生化指标的预测模型,对TBI病人30 d预后具有较好的区分度。

基于入院指标的新型风险评分模型在成年重型颅脑损伤预后评估中的价值

目的探讨入院指标与重型颅脑损伤(sTBI)患者预后的关系,建立基于入院指标的新型风险评分模型,用于评估sTBI患者预后。方法回顾性分析空军军医大学西京医院2011年10月至2020年10月收治的439例成年sTBI患者的临床资料,并按照出院时格拉斯哥预后评分将其分为预后良好组(91例)与预后不良组(348例)。采用受试者工作特征(ROC)曲线分析和多因素logistic回归模型联合筛选能够独立判断sTBI预后分组的入院指标;采用风险评分方程构建基于多个入院指标的预后评估模型;采用约登指数和欧式指数计算最佳分组界值;采用ROC及曲线下面积(AUC)评估各指标的预后评估效能。结果ROC曲线分析显示:年龄、格拉斯哥昏迷评分(GCS)、心率、血糖、血钾、肌酐、尿素氮、凝血酶原时间国际标准化比值(PT-INR)、凝血酶原时间、凝血活酶时间对sTBI的预后分组具有显著判断意义(均P<0.05);将上述指标带入多因素logistic回归模型,结果显示年龄、GCS、血糖和PT-INR是影响sTBI预后判断的独立风险因素;最后,选取上述4项入院指标构建风险评分模型。ROC曲线分析显示:该模型对sTBI预后分组具有良好的判断价值(AUC:0.807;95%CI:0.754~0.860,P<0.01);以最佳分组界值(-2.221)作为该模型分组界值时,判断sTBI预后分组(AUC:0.752;95%CI:0.689~0.814,P<0.01),特异度:0.822;敏感度:0.670。结论入院时年龄、GCS、血糖及PT-INR可能是影响sTBI预后的重要风险因素;基于上述指标的风险评分模型能够为sTBI患者预后分组提供快速而准确的预测信息,具有十分重要的临床应用前景。

急性心肌梗塞入院指标对急性期预后的预测

急性心肌梗塞(AMI)急性期常发生多种并发症影响其预后,我院就1977～1986年收治的AMI中病历较完整的120例,分析其对AMI急性期预后预测有意义的8个危险指标,以早期进行预测及防治。一、病例选择与诊断标准 120例中,男93例,女27例;分为存活组(98例)和死亡组(22例)。

数学模型在颅脑损伤患者入院指标与预后指标多因素模型分析中的应用

目的探讨颅脑损伤患者入院时的多项指标以及指标间交互作用对患者预后指标的影响。方法收集2013年1月至2017年8月入住扬州大学附属医院重症医学科的130例颅脑外伤患者的临床资料进行分析,建立预后指标与入院指标的数学模型,进行数学模型相关分析。并收集2017年10月至2018年12月26例颅脑外伤患者临床资料进行建模数据外部验证。结果镇静躁动评分(RASS)平方项、格拉斯哥昏迷评分(GCS)与RASS评分交互项、年龄与急性生理和慢性健康状况(APACHEⅡ)评分交互项、心率与乳酸(LAC)交互项等对预后指标有显著影响。结论数学模型可以对颅脑损伤患者进行预后指标评估预测。

人工神经网络技术预测颅脑损伤患者的预后效果

目的运用人工神经网络(ANN)技术预测颅脑损伤患者的预后效果。方法在已完成的与预后相关的入院指标的二次多项式回归模型研究的基础上,回顾性分析2013年1月至2017年8月入住扬州大学附属医院重症医学科的130例颅脑损伤患者的临床资料,建立基于ANN技术的颅脑损伤患者预后预测模型,同时采用2017年10月至2019年3月46例颅脑损伤患者临床资料进行外部验证,计算其相关系数、敏感度及特异度等参数,并与二次多项式逐步回归模型进行对比分析。结果ANN技术建立的颅脑损伤患者预后预测模型,内部验证中,其相关系数为0.8935,不良预后的敏感度为94.8%(55/58),特异度为82.1%(55/67);良好预后的敏感度为95.5%(42/44),特异度为87.5%(42/48)。外部验证中,其相关系数为0.7138,不良预后的敏感度为43.8%(7/16),特异度为100.0%(7/7);良好预后的敏感度为100.0%(26/26),特异度为66.7%(26/39)。结论与二次多项回归模型比较,ANN技术建立的预测颅脑损伤患者预后的数学模型的模型拟合程度较高,但对于预后评估的敏感度及特异度,优势不明显。