人工智能预测创伤性脑损伤的继发并发症和临床结局：叙述性综述

摘要

本文呈现叙述性综述，评估基于人工智能（AI）的预测工具在创伤性脑损伤中次级并发症和临床结局的应用，评估五个并发症领域的证据成熟度，并识别临床实施的关键障碍。

摘要

中度至重度创伤性脑损伤（TBI）后的继发并发症——包括颅内压升高（ICP）、创伤后癫痫发作、创伤诱发凝血障碍（TIC）和败血症——会显著恶化患者的预后。现有预后工具估计住院时的整体死亡率和残疾，但无法预测住院期间的具体可治疗并发症。本叙述综述评估了基于人工智能的预测工具是否能够满足这一未被满足的临床需求，评估五个预测领域证据的成熟度，并确定未来研究的优先事项。2016年1月至2025年10月，在PubMed、Embase和Web of Science进行了针对性的文献检索，辅以人工参考文献追踪。研究根据其与人工智能或机器学习（ML）预测TBI患者继发并发症或临床结局的相关性进行筛选。基于人工智能的模型在ICP危机、TIC、败血症和死亡率方面实现中等预测准确率（受试者工作特征曲线面积为0.70–0.79），准确率为AUC≥0.80。癫痫发作预测证据最不成熟，且无外部验证研究。ICP预测具有最强的证据基础，具有外部验证和独立重复性。死亡预测拥有最大的证据量，并拥有国际多数据集验证。关键的方法论局限依然存在：大多数模型基于回顾性单一机构数据;只有大约三分之一的项目经过外部验证;而且没有随机试验证明AI引导的决策能改善患者结局。人工智能预测工具在预测继发TBI并发症方面展现出潜力，但目前证据尚不支持常规临床应用。在采用之前，这些工具需要严格的外部验证、前瞻性结局试验以及跨多元人群的系统性公平评估。

引言

TBI是全球死亡和长期残疾的主要原因之一，每年约有6900万例病例发生。TBI是45岁以下人群死亡和残疾的主要原因，给医疗、社会经济和社会带来了沉重负担 ^1,2,3。TBI病理生理的一个基本区别是将初发损伤——即撞击时的即时机械损伤——与继发损伤区分开来，后者通过脑水肿、缺血、兴奋性毒性和神经炎症等连锁过程在数小时到数天内演变。与原发性损伤不同，次级损伤机制原则上是可调整的治疗靶点。这些过程引发的次级并发症——包括颅内压升高、创伤后癫痫发作、心电刺激和败血症——通常^{决定了患者的}最终临床轨迹^3,5,6。临床上的根本挑战是识别哪些患者会在并发症出现前出现，从而实现更早、更有针对性的预防干预。

临床医生目前使用GCS进行意识评估，CT影像用于结构损伤特征分析，以及国际TBI临床试验预后与分析任务（IMPACT）和重度头部损伤后皮质类固醇随机化（CRASH）计算器，用于估算六个月死亡率和不利结局^7,8.虽然这些工具具有临床价值，但存在重要局限性：它们完全依赖入院数据，假设线性预测变量-结局关系，且设计用于预测死亡或长期残疾，而非住院期间出现的具体、可个别治疗的并发症 ^6,7,8.人工智能——涵盖机器学习（ML）的总体领域，机器学习是从数据中学习预测模式的算法子集——能够质疑跨大型变量集的复杂非线性关系，并同化持续更新的生理监测流^5、6、7。这些能力表明，人工智能能够检测到那些未被标准临床评估的微妙恶化前兆信号。2022年《柳叶刀神经学委员会》TBI明确将先进预后分析列为研究和临床开发优先事^项3，这一方向也在2017年^{该领域研究}路线图中提出。本叙述综述审视了人工智能在预测继发性脑损伤并发症和临床结局方面的现有证据，评估了各并发症领域证据的成熟度，并指出在这些工具能够负责任地转化为临床实践之前，必须实现的目标。

多项系统综述已评估过TBI ^5,6中的AI结局预测。Malhotra等人5的系统综^述涵盖了39项主要研究，重点是利用入院层级变量进行死亡率和全球残疾预测。Courville等^{人进行了机器学习}算法用于预测TBI结局的荟萃分析。本综述特别聚焦于个别继发并发症（ICP危机、癫痫、凝血功能障碍和败血症），作为住院期间独立且临床可操作的预测目标。通过围绕并发症特异性预测组织证据，关注各领域的成熟度和可操作性，本综述提供了以往汇总结局分析未曾强调的临床医生视角评估。