Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Обзорная статья
Здесь мы представляем повествовательный обзор, оценивающий инструменты прогнозирования на основе искусственного интеллекта (ИИ) для вторичных осложнений и клинических исходов при черепно-мозговой травме, оценивая зрелость доказательств в пяти областях осложнений и выявляя критические барьеры для клинической практики.
Вторичные осложнения после умеренной и тяжёлой черепно-мозговой травмы (ЧМТ) — включая повышенное внутричерепное давление (ИСП), посттравматические судороги, травмированную коагулопатию (ТИК) и сепсис — значительно ухудшают прогноз пациентов. Современные прогностические инструменты оценивают общую смертность и инвалидность при поступлении, но не предсказывают конкретные, лечимые осложнения во время госпитализации. Этот нарративный обзор оценивает, могут ли инструменты прогнозирования на базе ИИ удовлетворить эту неудовлетворённую клиническую потребность, оценивает зрелость доказательств в пяти областях прогнозирования и определяет приоритеты для будущих исследований. С января 2016 по октябрь 2025 года был проведён целенаправленный поиск литературы на PubMed, Embase и Web of Science, дополненный ручным отслеживанием ссылок. Исследования были отобраны на основе их значимости для ИИ или машинного обучения (ML) для прогнозирования вторичных осложнений или клинических исходов у пациентов с ЧМТ. Модели на базе ИИ достигают умеренной предсказательной точности (площадь под кривой рабочей характеристики приёмника [AUC] 0,70–0,79) с хорошей точностью (AUC ≥ 0,80) для кризисов ICP, TIC, сепсиса и смертности. Прогнозирование приступов содержит наименее зрелые доказательства, без внешних валидационных исследований. Прогноз ICP имеет самую сильную доказательствовую базу, с внешней валидацией и независимой репликацией. Прогнозирование смертности обладает самым большим объёмом доказательств благодаря международной валидации множественных наборов данных. Критические методологические ограничения сохраняются: большинство моделей основаны на ретроспективных данных одного учреждения; только примерно одна треть прошла внешнюю валидацию; и ни одно рандомизированное исследование не показало, что решения, управляемые ИИ, улучшают исходы пациентов. Инструменты прогнозирования ИИ демонстрируют перспективы для прогнозирования осложнений вторичного ЧМТ, но текущие данные не подтверждают рутинное клиническое применение. Перед внедрением эти инструменты требуют строгой внешней валидации, проведения перспективных испытаний и систематической оценки равенства среди различных популяций.
ЧМТ является ведущей причиной смерти и долгосрочной нетрудоспособности во всём мире, ежегодно происходит примерно 69 миллионов случаевпроисшествий 1,2. ЧМТ является основной причиной смерти и инвалидности среди лиц младше 45 лет, что накладывает серьёзные проблемы на здравоохранение, социально-экономические и социальные труды 1,2,3. Фундаментальное различие в патофизиологии ЧМТ отделяет первичное повреждение — непосредственное механическое повреждение, полученное при столкновении — от....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Стратегия поиска и выбор исследования
С января 2016 по октябрь 2025 года был проведен целевый, несистематический поиск литературы на PubMed, Embase и Web of Science. Дата начала 2016 года была выбрана для отражения фундаментальных публикаций в области машинного обучения, предшествовавших недавнему всплеску исследований в области глубокого обучения, сохраняя при этом современный акцент; её выбор особенно обоснован включением Myers et al. (2016)10, знакового исследования, которое установило основные методологические подходы к прогнозированию ICP на основе ML. Поиск допол....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Инструменты прогнозирования ИИ демонстрируют реальный потенциал для прогнозирования вторичных осложнений ЧМТ до их клинического появления 5,6,7. Репрезентативные исследования в пяти областях осложнений показывают предсказающую точность от умеренной (AUC 0,70–0,79) до хорошей (AUC ≥ 0,80), при этом самые эффективные модели достигают значений AUC до 0,92 при внутренней валидации (внешняя валидация.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Авторы не заявляют о конфликтах интересов. Ни одна коммерческая организация не участвовала в проектировании, интерпретации исследования или решении о публикации.
Авторы не получили специального финансирования для этой работы.
....Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.