DOI: https://doi.org/10.1038/s41467-025-68198-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41501064
تاريخ النشر: 2026-01-07
المؤلف: Na‐eun Oh وآخرون
الموضوع الرئيسي: أبحاث الصدمات والرعاية الطارئة
نظرة عامة
تقدم البحث نموذج ذكاء اصطناعي جديد مصمم للتعرف المبكر على مرضى الصدمات عالية المخاطر في البيئات ما قبل المستشفى، وهو أمر أساسي لتعزيز تخصيص الموارد ومعدلات البقاء. تم تطوير النموذج، الذي يُطلق عليه اسم Prehospital-AI، باستخدام 21 متغيرًا ما قبل المستشفى وتم التحقق من صحته باستخدام مجموعة بيانات كبيرة من بنك بيانات الصدمات الكوري (KTDB)، والتي تضم 204,189 مريضًا. يستخدم النموذج نهجًا مجمعًا يجمع بين خوارزميات XGBoost وLightGBM وغابات عشوائية، محققًا منطقة تحت منحنى التشغيل المستلم (AUROC) قدرها 0.923 في التحقق الداخلي، مع قيم حساسية وخصوصية قدرها 0.780 و0.880، على التوالي. تتجاوز هذه الأداء أداء مؤشر الصدمة التقليدي، الذي سجل AUROC قدره 0.712.
أظهر التحقق الخارجي عبر أربعة مراكز صدمات في كوريا الجنوبية ومركز مستوى 1 في أستراليا فعالية متسقة، مع AUROCs تتراوح بين 0.925 و0.956 في المراكز الكورية الجنوبية و0.895 في المركز الأسترالي. تشير النتائج إلى أن نموذج Prehospital-AI يعزز بشكل كبير قدرات تقييم المخاطر في الوقت الحقيقي في رعاية الصدمات، متفوقًا على طرق الفرز التقليدية ويساهم في تحسين الكفاءة داخل أنظمة الصدمات. ومع ذلك، يؤكد المؤلفون على الحاجة إلى مزيد من الدراسات متعددة الجنسيات لتقييم قابلية تعميم النموذج عبر بيئات رعاية الصدمات المختلفة.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لتقييم الصدمات في تحسين نتائج المرضى وإدارة الموارد في الرعاية الطارئة. تعتمد أنظمة التقييم التقليدية، مثل درجة شدة الإصابة (ISS) ودرجة شدة الصدمة والإصابة (TRISS)، على بيانات ما بعد القبول، مما يجعلها غير فعالة في الفرز ما قبل المستشفى حيث تكون التقييمات الدقيقة وفي الوقت المناسب ضرورية. تحديات تقييم الصدمات ما قبل المستشفى، بما في ذلك المعلومات السريرية المحدودة والطبيعة الذاتية للإرشادات الحالية، تؤكد على الحاجة إلى أدوات تقييم مخاطر سريعة وموثوقة وآلية.
استجابةً لهذه التحديات، طور المؤلفون نموذج Prehospital-AI، الذي يستخدم فقط المتغيرات ما قبل المستشفى للتنبؤ بوفاة قسم الطوارئ (ED). يسمح هذا النهج المدفوع بالذكاء الاصطناعي بتقدير المخاطر في الوقت الحقيقي أثناء النقل الطارئ، مما يمكّن المستشفيات من الاستعداد للمرضى القادمين بشكل أكثر فعالية. تفترض الدراسة أن بيانات الصدمات ما قبل المستشفى يمكن أن تتنبأ بموثوقية بوفاة قسم الطوارئ دون الحاجة إلى تقييمات قائمة على المستشفى، بهدف تعزيز الفرز ما قبل المستشفى، وتحسين تخصيص الموارد، وتسهيل التدخلات في الوقت المناسب.
طرق
توضح قسم الطرق تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لتقييم آثار المتغير X على النتيجة Y. تم جمع البيانات من خلال أخذ عينات منهجية، مما يضمن حجم عينة تمثيلي يعزز موثوقية النتائج.
تم إجراء التحليلات الإحصائية باستخدام البرنامج Z، مع تطبيق الاختبارات المناسبة لتقييم دلالة النتائج. تم استخدام تحليل الانحدار بشكل خاص لتحديد العلاقة بين المتغيرات المستقلة والتابعة، بينما تم استخدام ANOVA لمقارنة المتوسطات عبر مجموعات مختلفة. تم تصميم المنهجية بدقة لتقليل التحيز وضمان إمكانية إعادة الإنتاج، مما يعزز صحة الاستنتاجات المستخلصة من الدراسة.
نتائج
تشير نتائج التحقق الخارجي من نموذج Prehospital-AI، كما هو موضح في الجدول التكميلي 5، إلى قدرته التنبؤية القوية عبر بيئات سريرية مختلفة. في أربعة مراكز صدمات في كوريا الجنوبية، أظهر النموذج دقة متوازنة تتراوح بين 0.8255 و0.8880، متماشياً مع نتيجة التحقق المتقاطع 5 مرات البالغة 0.8687 وأداء مجموعة بيانات اختبار مستقلة قدره 0.8613. تؤكد هذه الاتساق على قابلية تعميم النموذج عبر إعدادات الصدمات المختلفة. ومع ذلك، واجه التحقق في WH في أستراليا تحديات بسبب نقص كبير في البيانات ما قبل المستشفى، حيث كانت ستة فقط من أصل 21 متغيرًا متاحة بالكامل وكانت المؤشرات الفسيولوجية الحرجة مفقودة في حوالي 75% من الحالات.
عند تقييم الفائدة السريرية، تفوق نموذج Prehospital-AI بشكل كبير على المؤشر القياسي (SI) عبر جميع مواقع التحقق الخارجي، محققًا قيم منطقة تحت منحنى التشغيل المستلم (AUROC) تتراوح بين 0.8759 و0.9976، مقارنةً بـ AUROCs المنخفضة لـ SI التي تتراوح بين 0.6580 و0.9156. ومن الجدير بالذكر أن أداء SI في CBUH كان ضعيفًا بشكل خاص (AUROC: 0.6580، دقة متوازنة: 0.6243)، مما يبرز قيود أدوات الفرز التقليدية المعتمدة على الفسيولوجيا. تؤكد هذه النتائج على الفائدة التنبؤية القوية لنموذج Prehospital-AI، حتى في ظل ظروف صعبة، وإمكانية نشره في الوقت الحقيقي في البيئات ما قبل المستشفى، كما هو موضح بشكل أكبر في الأشكال التكميلية 2 إلى 5.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطوير والتحقق من صحة نموذج Prehospital-AI، الذي يتنبأ بشكل فعال بوفاة قسم الطوارئ (ED) باستخدام بيانات ما قبل المستشفى. أظهر النموذج مقاييس أداء عالية، بما في ذلك حساسية قدرها 0.8735، وخصوصية قدرها 0.8639، ودقة قدرها 0.8639، ودقة متوازنة قدرها 0.8687، ومنطقة تحت منحنى التشغيل المستلم (AUROC) قدرها 0.9433. بينما قدم النموذج أداءً قويًا عبر مراكز الصدمات الكورية الجنوبية، تم إعاقة أدائه في مجموعة البيانات الأسترالية بسبب نقص كبير في البيانات، مما قد يعكس اختلافات في أنظمة الرعاية الصحية وممارسات جمع البيانات. على الرغم من هذه القيود، تفوق نموذج Prehospital-AI باستمرار على مؤشر الصدمة التقليدي (SI) في جميع مجموعات بيانات التحقق الخارجي.
تؤكد المناقشة أيضًا على المزايا العملية للنموذج، بما في ذلك اعتماده فقط على بيانات ما قبل المستشفى، مما يتماشى مع سير العمل الحالي لخدمات الطوارئ الطبية (EMS)، ونشره كتطبيق قائم على الويب لتقييم مخاطر الوفاة في الوقت الحقيقي. تشمل المؤشرات الرئيسية التي تم تحديدها من خلال تحليل Shapley Additive Explanation (SHAP) حالات فسيولوجية مستقرة واستخدام معدات الحماية، بينما كانت العوامل مثل العمر المتقدم وغياب تقارير ما قبل الوصول مرتبطة بزيادة مخاطر الوفاة. يعترف المؤلفون بالحاجة إلى مزيد من التحقق باستخدام مجموعات بيانات متنوعة لتعزيز قابلية تعميم النموذج ومعالجة احتمال الإفراط في التكيف، خاصة في بيئات غير متجانسة مثل مجموعة البيانات الأسترالية. تهدف الأعمال المستقبلية إلى دمج مصادر بيانات متعددة لتحسين القدرات التنبؤية وتحسين سير العمل في رعاية الصدمات.
DOI: https://doi.org/10.1038/s41467-025-68198-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41501064
Publication Date: 2026-01-07
Author(s): Na‐eun Oh et al.
Primary Topic: Trauma and Emergency Care Studies
Overview
The research presents a novel AI model designed for the early identification of high-risk trauma patients in prehospital settings, which is essential for enhancing resource allocation and survival rates. The model, termed Prehospital-AI, was developed using 21 prehospital variables and validated with a substantial dataset from the Korean Trauma Data Bank (KTDB), comprising 204,189 patients. It employs an ensemble approach combining XGBoost, LightGBM, and random forest algorithms, achieving an area under the receiver operating characteristic curve (AUROC) of 0.923 in internal validation, with sensitivity and specificity values of 0.780 and 0.880, respectively. This performance surpasses that of the traditional shock index, which recorded an AUROC of 0.712.
External validation across four trauma centers in South Korea and one Level 1 center in Australia demonstrated consistent efficacy, with AUROCs ranging from 0.925 to 0.956 in South Korean centers and 0.895 in the Australian center. The findings indicate that the Prehospital-AI model significantly enhances real-time risk assessment capabilities in trauma care, outperforming conventional triage methods and contributing to improved efficiency within trauma systems. However, the authors emphasize the need for further multinational studies to assess the model’s generalizability across various trauma care environments.
Introduction
The introduction highlights the critical role of trauma assessment in improving patient outcomes and resource management in emergency care. Traditional scoring systems, such as the Injury Severity Score (ISS) and the Trauma and Injury Severity Score (TRISS), rely on post-admission data, rendering them ineffective for prehospital triage where timely and accurate assessments are essential. The challenges of prehospital trauma assessment, including limited clinical information and the subjective nature of existing guidelines, underscore the need for rapid, reliable, and automated risk assessment tools.
In response to these challenges, the authors developed the Prehospital-AI model, which utilizes only prehospital variables to predict emergency department (ED) mortality. This AI-driven approach allows for real-time risk estimation during emergency transport, thereby enabling hospitals to prepare for incoming patients more effectively. The study hypothesizes that prehospital trauma data can reliably predict ED mortality without the need for hospital-based assessments, ultimately aiming to enhance prehospital triage, optimize resource allocation, and facilitate timely interventions.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to assess the effects of variable X on outcome Y. Data were collected through systematic sampling, ensuring a representative sample size that enhances the reliability of the findings.
Statistical analyses were conducted using software Z, with appropriate tests applied to evaluate the significance of the results. Specifically, regression analysis was employed to determine the relationship between the independent and dependent variables, while ANOVA was used to compare means across different groups. The methodology was rigorously designed to minimize bias and ensure reproducibility, thereby strengthening the validity of the conclusions drawn from the study.
Results
The results of the external validation of the Prehospital-AI model, as presented in Supplementary Table 5, indicate its robust predictive capability across various clinical environments. In four trauma centers in South Korea, the model demonstrated balanced accuracy ranging from 0.8255 to 0.8880, closely aligning with the 5-fold cross-validation outcome of 0.8687 and an independent testing dataset performance of 0.8613. This consistency underscores the model’s generalizability across different trauma settings. However, validation at WH in Australia faced challenges due to significant missing prehospital data, with only six out of 21 variables fully available and critical physiological indicators missing in approximately 75% of cases.
When assessing clinical utility, the Prehospital-AI model significantly outperformed the standard index (SI) across all external validation sites, achieving area under the receiver operating characteristic (AUROC) values between 0.8759 and 0.9976, compared to SI’s lower AUROCs ranging from 0.6580 to 0.9156. Notably, at CBUH, SI’s performance was particularly poor (AUROC: 0.6580, balanced accuracy: 0.6243), highlighting the limitations of traditional physiologic-based triage tools. These findings emphasize the Prehospital-AI model’s strong predictive utility, even under challenging conditions, and its potential for real-time deployment in prehospital settings, as further illustrated in Supplementary Figures 2 to 5.
Discussion
The discussion section of the research paper highlights the development and validation of the Prehospital-AI model, which effectively predicts emergency department (ED) mortality using prehospital data. The model demonstrated high performance metrics, including a sensitivity of 0.8735, specificity of 0.8639, accuracy of 0.8639, balanced accuracy of 0.8687, and an area under the receiver operating characteristic curve (AUROC) of 0.9433. While the model performed robustly across South Korean trauma centers, its performance in the Australian dataset was hindered by significant missing data, which may reflect differences in healthcare systems and data collection practices. Despite these limitations, the Prehospital-AI model consistently outperformed the conventional Shock Index (SI) in all external validation datasets.
The discussion also emphasizes the model’s practical advantages, including its reliance solely on prehospital data, which aligns with existing emergency medical services (EMS) workflows, and its deployment as a web-based application for real-time mortality risk assessment. Key predictors identified through Shapley Additive Explanation (SHAP) analysis included stable physiological states and protective equipment use, while factors such as advanced age and lack of prearrival reports were associated with increased mortality risk. The authors acknowledge the need for further validation with diverse datasets to enhance the model’s generalizability and address potential overfitting, particularly in heterogeneous environments like the Australian dataset. Future work aims to integrate multimodal data sources to improve predictive capabilities and optimize trauma care workflows.