预测模型能否比临床医生更准确地对创伤患者进行分类？

标题 预测模型能否比临床医生更准确地对创伤患者进行分类？

背景 每年有近 500 万人死于创伤。 因此，创伤（定义为外伤加上身体的相关反应）是全球健康问题的主要原因。 创伤的时间敏感特性使其有别于其他健康状况。 因此，确定优先次序对于首先治疗最紧急的外伤病例至关重要。 这种优先级排序通常称为分类。 从今以后，正式和非正式的分诊系统是有区别的，前者被定义为根据先验确定的标准有意识地进行的明确分诊，而后者被定义为临床医生在没有正式分诊的情况下下意识地做出的优先排序决定。

目前有两种概念上不同的方法用于对创伤患者进行分类。 分诊可由临床医生完成。 临床医生进行的分诊可能会受到疲劳和经验等人为因素的影响，但可能被视为对创伤患者进行分诊的最道德合适的方法。 算法，例如统计算法，也可以被构造用于分类目的。 使用统计方法预测某种结果的可能性称为预测建模。 算法在对患者进行分类时排除了人为因素。 然而，由于临床医生和患者之间缺乏人际关系，算法分类在道德上似乎不合适。

正式的分诊系统经常用于高收入国家的创伤护理。 这样的系统被认为改善了创伤护理并因此改善了创伤患者的结果。 然而，超过 90% 的外伤死亡发生在低收入和中等收入国家，这些国家很少有正式的分诊系统，甚至根本不存在。 正式的分诊系统可能有助于加强低收入和中等收入国家的创伤护理。 但是，缺乏关于算法或临床医生在对患者进行分类时最准确的研究。

目的 比较预测模型与临床医生在创伤患者分诊中的表现。

方法 研究设计 前瞻性队列研究

背景 一项前瞻性队列研究将在印度这个中低收入国家进行。 印度每年占全球创伤死亡人数的 20%，因此迫切需要努力加强印度的创伤护理。 将从四家城市医院收集数据：一家在孟买，一家在加尔各答，一家在德里，一家在内洛尔。 数据收集于 7 月 11 日开始，但仅限于位于加尔各答的医院。 一旦正式获得伦理许可，将从其余医院收集数据，并将继续收集数据，直到达到所需的研究规模（参见研究规模）。 数据由上述医院的全职项目官员收集。

参与者因任何参与医院的外伤而到急诊室 (ED) 就诊的个人。 一旦他们到达急诊室，这些人就会被纳入研究。 项目负责人是指包括个人在内的人员。 如果参与人员在 30 天后仍在住院，项目官员将对其进行探访。 否则，将按电话进行跟进。

变量

楷模：

RTS（收缩压 (SBP)、格拉斯哥昏迷量表 (GCS) 和呼吸频率 (RR)） Gerdin 等人。模型（SBP、心率 (HR) 和 GCS） GAP（年龄、SBP 和 GCS） KTS（SBP、GCS、RR 和严重受伤的人数） 临床判断（临床医生通过对创伤患者进行分类来为其分配分类类别分为四个颜色编码组。 这些组是绿色、黄色、橙色和红色。 这些颜色旨在表示创伤的严重程度以及患者需要多长时间接受治疗，绿色对应最不严重的患者，红色对应最严重的患者。）

其他描述性变量：

性别、损伤机制

结果变量：

30天内死亡率

研究规模为 200 名以死亡率为结果的外伤患者以及在同一时期内存活的所有患者。 根据过去的研究，30 天内的死亡率假定为 15%。 因此，1350 名患者是理想的研究规模。 收集所需数据所需的估计时间为两个月（四名项目官员，每家医院一名。 一名项目官员每周收集 5 天每班前 10 名患者的数据。 因此，数据收集器每周收集 50 名患者的数据，每月收集 200 名患者的数据。 每月收集的总数据将来自 800 名患者。 两个月的收集数据将来自 1600 名患者。 因此，大约需要两个月的时间才能达到所需的研究规模。）

定量变量 定量变量将与原始研究一样对待。 换句话说，将对定量变量进行分类或使用非线性方法，就像它们在原始研究中一样。

统计方法预测模型和临床医生的表现将在鉴别、校准和重新分类方面进行评估和比较。 首先，从预测模型中获得的分数将用于将患者分配到绿色、黄色、橙色或红色类别。 然后将通过计算原始分数和基于分数的颜色分组的接受者操作特征曲线下的面积来评估歧视。 假设增加的严重性和更高的死亡率之间存在线性关联，将通过计算每个颜色组的死亡率来评估校准。 最后，将通过比较哪些患者最终属于哪个组来评估重新分类，这取决于分组是基于预测模型还是基于临床医生。 仅分析具有完整数据的患者。 所有分析都将使用 R 统计环境进行，使用标准的 95% 置信区间和 5% 的显着性水平。