使用人工智能技术预测物理创伤患者住院死亡率的模型:基于韩国全国人口的研究gydF4y2Ba

简介gydF4y2Ba

与身体创伤相关的死亡给个人和社会带来了沉重的负担。准确估计死亡风险可提高治疗效率并减少这种负担。迄今为止，有各种模型来预测身体创伤患者的严重程度[gydF4y2Ba1gydF4y2Ba-gydF4y2Ba7gydF4y2Ba］．其中，最受欢迎和最准确的模型是20世纪70年代开发的损伤严重程度评分(ISS)模型，该模型基于解剖学损伤严重程度评分系统缩写损伤量表(AIS) [gydF4y2Ba1gydF4y2Ba，gydF4y2Ba8gydF4y2Ba］．然而，AIS系统要求专家通过检查病人的医疗记录来对损伤程度进行编码;因此，将该模型应用于所有医院是不可能的。为克服这些缺点，采用了以下基于国际疾病分类(ICD)的严重程度模型:基于ICD的损伤严重程度评分(ICISS)[gydF4y2Ba9gydF4y2Ba]，使用国际疾病分类第十版(ICD-10) (TMPM-ICD10)的创伤死亡率模型[gydF4y2Ba10gydF4y2Ba]，以及死亡率调整损伤严重程度评分(EMR-ISS) [gydF4y2Ba11gydF4y2Ba］．然而，基于icd的模型不如基于ais的模型准确[gydF4y2Ba8gydF4y2Ba］．自2016年起，韩国所有急诊医疗机构都采用了韩国分诊和敏锐度量表(KTAS)，这是一种由5个级别组成的急诊分诊系统[gydF4y2Ba12gydF4y2Ba］．然而，KTAS依赖于从业者的判断，可能会引入偏见，并容易出现人为错误[gydF4y2Ba13gydF4y2Ba］．gydF4y2Ba

人工智能(AI)在医学应用中被广泛用于寻找各种特征之间的复杂关联[gydF4y2Ba14gydF4y2Ba-gydF4y2Ba16gydF4y2Ba]，例如个人伤害和死亡率。我们最近提出了利用AIS代码的AI技术，其性能优于传统的ISS [gydF4y2Ba1gydF4y2Ba]，在接收器工作特征(AUROC)为0.908 [gydF4y2Ba17gydF4y2Ba］．Tran等[gydF4y2Ba18gydF4y2Ba]也使用人工智能技术进行死亡率预测，使用来自国家创伤数据库(NTDB)数据集的ICD-10，但AUROC值没有我们之前提出的人工智能模型高。gydF4y2Ba

我们的目标是利用国家急诊科信息系统(NEDIS)数据集构建一个人工智能模型来预测物理创伤患者的住院死亡率。我们假设基于ICD-10和其他临床特征的AI模型是一个有用的替代方案。我们将我们的模型的预测性能与其他基于icd -10的模型进行了比较，例如ICISS [gydF4y2Ba9gydF4y2Ba]， emr-iss [gydF4y2Ba11gydF4y2Ba]，以及基于人工智能驱动的icd -10模型。最后，我们部署了人工智能驱动的公共网站来预测身体创伤患者的院内死亡率，以造福最终用户。gydF4y2Ba

方法gydF4y2Ba

伦理批准gydF4y2Ba

本研究根据TRIPOD (multi - variable Model透明报告个体预后或诊断)声明进行[gydF4y2Ba19gydF4y2Ba］．NEDIS数据由国家紧急医疗中心提供(数据采集号N20212920825)。gydF4y2Ba

人工智能模型的患者和数据集gydF4y2Ba

NEDIS数据集是2016年至2019年从韩国400多家医院强制收集的。纳入标准如下:(1)基于韩国版ICD-10诊断代码为S或T的生理创伤患者(不包括心理创伤患者);2)由急诊科转入重症监护室(ICU)或普通病房的患者;(3)手术或手术后入住ICU或普通病房的患者。排除标准如下:(1)诊断代码以S或T开头的患者(如S001, T063;所有身体创伤患者都有S或T编码。S码表示单个身体区域的创伤，T码表示多个或未指定区域的创伤);(2)诊断代码为冻伤(T33-T35.6)、中毒(T36-T65)、不明损伤或并发症(T66-T78、T80-T88)的患者;(3)转院或治疗后出院的患者;(四)转院、出院未通知医院工作人员的;(5) ICU或普通病房入院前在急诊科死亡的患者; and (6) missing information.

更具体地说，我们首先收集了7,664,443名包括创伤患者在内的非疾病标识符。由于我们的主要结果是预测创伤患者的住院死亡率，我们不得不排除不相关的患者。排除所有非住院患者信息(n=6,464,432, 84.34%)。第二大最常被排除的数据来自转院患者(n=241,778, 3.15%)。对于转院患者，NEDIS的去身份识别政策是分配一个新的匿名ID号;因此，数据是冗余的。此外，由于诊断代码、程序代码和其他临床特征信息不足，我们排除了死亡ED患者(n=49,357, 0.64%)。此外，我们排除了住院期间逃脱的患者(n=889, 0.01%)和数据缺失的患者(n= 35885, 4.68%)，不包括死亡率信息。最终共有778,111个患者数据被用于训练和测试我们的AI模型(gydF4y2Ba图1gydF4y2Ba)．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

我们在NEDIS数据中使用了以下变量:年龄、性别、意图性、损伤机制、紧急症状、警报/言语/疼痛/无反应(AVPU)量表、初始KTAS、改变KTAS、ICD-10代码、外科手术或介入放射学的程序代码以及住院死亡率。人工智能模型中包含的所有变量总结在gydF4y2Ba表1gydF4y2Ba．从10个变量中考虑了938个AI模型输入特征(类别)。AVPU量表是格拉斯哥昏迷量表(GCS)的简化版本[gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba21gydF4y2Ba]，包括4类:A类，警示;V、言语反应灵敏(昏昏欲睡);P，疼痛反应(麻木，半瘤);U，无反应(昏迷)。KTAS是2012年在急诊科根据加拿大分诊和敏锐度量表(CTAS)制定的严重分诊方法[gydF4y2Ba12gydF4y2Ba］．KTAS是一个标准化的分类工具，以避免复杂性和模糊性，包括5类:1级，复苏;第2级，紧急;三级，紧急;4级，不太紧急;5级，非紧急。根据NEDIS政策，KTAS应由经过认证的教师进行，最初的KTAS应在急诊科入院后2分钟内评估。当急诊科患者病情恶化时，应在转入手术室、ICU或普通病房之前评估改变的KTAS。关于ICD-10，我们考虑了856个以S或t开头的代码。用于向国家健康保险审查和评估服务索赔的程序代码，包括手术和血管栓塞，更具体地分类如下，并在表S1中进行了总结gydF4y2Ba多媒体附件1gydF4y2Ba:(1)头部程序;(2)躯干血管手术;(3)躯干手术-腹部手术;(4)躯干手术-胸部;(5)躯干手术-心脏手术;体外膜氧合(ECMO)。主要结局为住院死亡率，定义为在NEDIS中有死亡结果代码并因医疗无效而出院的患者。gydF4y2Ba

数据分割、数据平衡和交叉验证gydF4y2Ba

本研究中的数据集包括训练数据和测试数据(表S2)gydF4y2Ba多媒体附件1gydF4y2Ba)．778,111例患者数据按8:2的比例分层分为训练数据和测试数据。测试集仅用于独立测试我们开发的AI模型，而不是用于培训或内部验证。gydF4y2Ba

我们首先使用训练数据进行5倍交叉验证，以确认其泛化能力。将训练数据集(n=622,488, 80%)随机洗牌并分层为5个相等的组，其中4组从训练模型中选取，其余组用于内部验证。通过移动内部验证组，该过程重复5次。我们最终确定的AI模型将在后续部分中进行描述，并使用隔离的测试数据来评估性能。gydF4y2Ba

由于存活患者的数量(n= 611481, 98.23%)远远高于死亡患者的数量(n= 11007, 1.77%)，我们在模型更新期间使用合成少数群体过采样技术(SMOTE)对存活患者数据进行了上采样[gydF4y2Ba22gydF4y2Ba］．通过平衡两组，我们防止了对幸存患者数据的偏见。gydF4y2Ba

特性分析gydF4y2Ba

为了分析914个特征对死亡率预测的影响，我们应用了3种机器学习算法:自适应增强(AdaBoost) [gydF4y2Ba23gydF4y2Ba]，极限梯度增强(XGBoost) [gydF4y2Ba24gydF4y2Ba]，以及轻型梯度增压机(LightGBM) [gydF4y2Ba25gydF4y2Ba］．我们还考虑了4个集成模型:AdaBoost与XGBoost、AdaBoost与LightGBM、XGBoost与LightGBM，以及这3个模型的组合。最后，在7个机器学习模型中，我们选择了最好的预测模型，并给出了其特征重要性分析，按照它们对死亡率预测的贡献顺序列出了特征。gydF4y2Ba

性能评估基于5项指标的5倍交叉验证:敏感性、特异性、准确性、平衡准确性和AUROC。gydF4y2Ba

人工智能预测模型开发与统计分析gydF4y2Ba

我们开发了一个基于深度神经网络(DNN)的AI模型，使用914个特征，包括ICD-10作为输入层。为了找到最佳模型，我们搜索了超参数，例如全连接(FC)层的层深度和宽度。最后一个FC输出层被输入到一个提供死亡概率的sigmoid层。经过超参数搜索，我们找到了一个9层DNN的最佳模型，该DNN包括一个输入层，7个FC层作为隐藏层，以及一个输出层。输入层被馈送到一系列7个FC层，分别由512、256、128、64、32、16和8个节点组成。我们对FC隐藏层应用了速率为0.3的dropout和L2正则化。gydF4y2Ba图2gydF4y2Ba展示了人工智能开发和DNN架构的流程流程。我们提出的9层DNN模型的预测性能通过5倍交叉验证进行评估。随后，对于最终的基于dnn的AI模型，我们采用集成方法将5次交叉验证中的5个模型进行组合。这914个特征输入到5个交叉验证模型，每个模型都提供了死亡概率。平均5个概率，称为软投票。基于集成DNN模型，利用孤立测试数据集(n= 155,623,20%)评估预测性能。gydF4y2Ba

我们使用Adam优化器和二进制交叉熵代价函数训练模型，学习率为0.001，批处理大小为32。我们使用Python(版本3.7.13)、TensorFlow(版本2.8.0)、Keras(版本2.8.0)、NumPy(版本1.21.6)、Pandas(版本1.3.5)、Matplotlib(版本3.5.1)和Scikit-learn(版本1.0.2)来实现模型。所有统计分析均使用R软件4.1.2版(R Foundation for statistical Computing)进行。适当时，使用卡方检验或费雪精确检验比较比例。一个gydF4y2BaPgydF4y2Ba值<。05被认为有统计学意义。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

基于诊断代码的常规度量gydF4y2Ba

我们采用了基于ICD-10的常规指标。ICISS利用生存风险比率(SRRs)来计算生存概率[gydF4y2Ba9gydF4y2Ba］．SRR定义为具有特定损伤代码的存活患者数量除以具有特定相同损伤代码的所有患者数量。患者的生存概率(Ps)由患者受伤编码的所有srr相乘决定[gydF4y2Ba9gydF4y2Ba］．传统的ICISS被计算为多达10个损伤的Ps的乘积[gydF4y2Ba26gydF4y2Ba］．采用两种不同的方法计算ICISS。首先，计算每种损伤的包含SRR，而不考虑相关损伤[gydF4y2Ba9gydF4y2Ba］．其次，排他SRR的计算方法是:有单独特定损伤的幸存者人数除以只有该损伤的患者总数[gydF4y2Ba9gydF4y2Ba］．因此，多重损伤患者被排除在排他SRR计算之外[gydF4y2Ba9gydF4y2Ba］．对于EMR- iss，根据每个ICD-10代码的EMR的五分位数，从ICD-10代码中产生了类似AIS的伤害严重程度等级[gydF4y2Ba11gydF4y2Ba］．EMR-ISS是根据2001年至2003年国家健康保险数据集、工业事故赔偿保险数据集和国家死亡证明数据库的3个最大严重等级计算得出的[gydF4y2Ba11gydF4y2Ba］．gydF4y2Ba

结果gydF4y2Ba

初步调查结果gydF4y2Ba

在最终分析的778,111名患者中，有13,760人(1.77%)在住院期间死亡(13,667人有死亡代码，93人以医疗无效代码出院)。gydF4y2Ba表2gydF4y2Ba显示了已故和幸存患者之间的纳入变量的比较，表S3gydF4y2Ba多媒体附件1gydF4y2Ba显示已故和幸存患者之间的ICD-10比较。gydF4y2Ba

K-Fold交叉验证结果gydF4y2Ba

表3gydF4y2Ba总结了5倍交叉验证结果。我们的模型使用了包括ICD-10在内的所有914个特征，并提供了最高的平衡精度(0.8718)和AUROC(0.9513)值。在机器学习模型中，AdaBoost的平衡精度(0.8603)和AUROC(0.9442)最高。任何来自AdaBoost、XGBoost和LightGBM组合的集成模型都没有比我们的模型或AdaBoost提高精度。与我们的模型相比，传统方法产生了较低的平衡精度和AUROC值。更具体地说，包含SRR的平衡精度较低，为0.7888,AUROC为0.8266，而排除SRR的平衡精度为0.7931和0.8737,EMR-ISS分别为0.7571和0.6108。KTAS的平衡精度更低，为0.5372,AUROC为0.1057。gydF4y2Ba

在仅考虑ICD-10的866个特征的模型中，DNN表现出最高的平衡精度(0.8234)和AUROC(0.8975)，其次是AdaBoost、AdaBoost和XGBoost的集合以及AdaBoost和LightGBM的集合。然而，与考虑48个特征(不包括ICD-10)的模型相比，该模型产生的平衡精度和AUROC值要低得多。gydF4y2Ba

特征重要性排名:可解释的AIgydF4y2Ba

为了分析特征的影响，我们首先将数据应用于3种不同的机器学习算法:AdaBoost、XGBoost和LightGBM。总结于gydF4y2Ba表3gydF4y2BaAdaBoost模型是预测创伤患者死亡率的最佳分类器。然后我们执行特征重要性分析(参见gydF4y2Ba图3gydF4y2Ba为排序归一化特征重要度)来确认每个特征的贡献。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

基于AdaBoost，性别的重要性值最高，其次是年龄、无反应(昏迷)、S721(股骨转子骨折)、S720(股骨颈骨折)、疼痛反应(昏迷、半瘤)、损伤机制-滑倒、躯干手术-胸部。在914个特征中，只有71个(7.77%)特征值非零，说明其他843个特征对死亡率预测没有贡献。表S4gydF4y2Ba多媒体附件1gydF4y2Ba显示完整的排序归一化特征重要性值。所有重要值最高的特征在死亡组和存活组之间均有统计学差异(gydF4y2Ba表2gydF4y2Ba和表S3gydF4y2Ba多媒体附件1gydF4y2Ba)．gydF4y2Ba

根据重要性使用不同特征集的dnn交叉验证结果gydF4y2Ba

我们研究了DNN模型在2个输入条件下的交叉验证性能:(1)AdaBoost中具有非零特征重要性值的前71个特征，这是机器学习模型中最好的;(2)所有914个特征(表S5)gydF4y2Ba多媒体附件1gydF4y2Ba)．具有所有914个特征的DNN的平衡精度为0.8718,AUROC为0.9513，而具有前71个特征的DNN的平衡精度为0.8389,AUROC为0.9386。特征重要性值为0的特征有助于死亡率预测。前者的敏感性增加了0.1以上，而特异性降低了0.05以下。对于后者，敏感性从0.7480增加到0.8599，特异性从0.9299下降到0.8838。因此，我们考虑了AI模型中的所有特征，并使用隔离的测试数据验证了性能。gydF4y2Ba

测试数据结果gydF4y2Ba

在测试数据集(n=155,623)中，我们提出的基于集成的9层DNN的敏感性为0.8768，特异性为0.8625，准确度为0.8628，平衡准确度为0.8697,AUROC为0.9507。此外，与交叉验证结果相比，该模型既没有过拟合也没有欠拟合，交叉验证与测试数据结果之间的差异最小:敏感性为0.8599比0.8768，特异性为0.8838比0.8625，准确度为0.8834比0.8628，平衡准确度为0.8718比0.8697,AUROC为0.9513比0.9507。gydF4y2Ba

我们提出的使用所有914个特征的深度神经网络(EDNN)集成显示出比任何其他模型更高的平衡精度和AUROC值(gydF4y2Ba表4gydF4y2Ba)．具有48个特征的模型提供了其次最准确的预测结果。这些结果显示了与交叉验证结果相同的趋势。gydF4y2Ba图4gydF4y2Ba显示了我们的模型AdaBoost、XGBoost和LightGBM的AUROC曲线，这些曲线是根据以下特征绘制的:所有914个特征，48个特征不包括ICD-10, 866个特征只包含ICD-10。该模型优于传统的包含SRR、独占SRR、EMR-ISS和KTAS方法。gydF4y2Ba图5gydF4y2Ba显示了我们的模型和4个传统模型的AUROC曲线。计算的包含SRR和排除SRR如表S6所示gydF4y2Ba多媒体附件1gydF4y2Ba．最后，使用AdaBoost的前71个特征的模型也提供了较低的平衡精度0.8245和AUROC 0.9194，与交叉验证结果相似。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

人工智能驱动的公共网站开发gydF4y2Ba

我们在一个公共网站上部署了我们的AI [gydF4y2Ba27gydF4y2Ba]，以便公众查阅创伤患者的死亡率预测结果(图S1gydF4y2Ba多媒体附件1gydF4y2Ba)．图S1(a)显示了用户输入信息的web界面。用户输入年龄、性别、意向、损伤机制、紧急症状、AVPU量表、初始KTAS、改变的KTAS、躯干程序(胸部、腹部、血管和心脏)、头部手术、ECMO和ICD-10代码。特别是对于ICD代码，用户可以输入多个带有逗号的代码(例如S072, S224, T083)。如图S1(b)所示，用户在web应用程序中输入信息后，可以立即获得死亡率结果。预测结果还包括死亡概率。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

我们的AI模型优于传统的基于icd -10的模型和KTAS。传统方法敏感性高，特异性低，在预测死亡率方面存在较大偏差。当使用包括ICD-10在内的所有特征作为输入特征时，预测性能最佳。交叉验证结果与测试数据集之间的相似性表明过拟合或欠拟合是最小的。在归一化特征重要性排序中，性别最高，其次为年龄、昏迷、股骨骨折、昏迷、滑倒、肋骨骨折、头部手术。我们使用了来自韩国所有类型ED的基于人群的数据集，得出了更可靠的结果。据我们所知，我们的研究首次展示了一种AI模型，它使用基于人群的数据集大大优于传统的基于icd的模型和分类量表。我们未来的目标是构建一个更全面的模型，结合基于nedis和基于ais的AI [gydF4y2Ba17gydF4y2Ba］．gydF4y2Ba

我们提出的人工智能模型在临床实践中有几个优势。首先，AIS编码不需要专家，所以我们的AI模型不需要额外的负担。其次，我们的人工智能模型展示了增强KTAS提供商决策的能力。第三，所使用的特征重要性可能有利于临床决策和未来的研究。深度学习通常被认为是一个“黑箱”，因此基于机器学习算法的特征重要性分析为临床医生和研究人员提供了有意义的见解。最后，我们希望我们的模型在全球范围内得到应用，并为医院提供了一个公开可用的web应用程序，以使整个创伤系统受益[gydF4y2Ba28gydF4y2Ba，gydF4y2Ba29gydF4y2Ba］．gydF4y2Ba

目前，ISS和ICISS是最常用的创伤相关死亡率风险估计模型。包含生理学和人口学参数的更复杂的模型是可用的[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba7gydF4y2Ba]，但没有一个取代ISS或ICISS [gydF4y2Ba1gydF4y2Ba，gydF4y2Ba9gydF4y2Ba］．ISS使用简单，但AIS编码耗时且昂贵，而ICISS利用诊断代码来收取费用。因此，对于基于人口的数据集，ICISS比ISS更有用[gydF4y2Ba8gydF4y2Ba］．在我们的研究中，ICISS的结果与以前的研究结果相当[gydF4y2Ba26gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba］．我们还将EMR-ISS应用于NEDIS数据集，这在之前的研究中表现出了良好的性能[gydF4y2Ba11gydF4y2Ba，但准确性很差。gydF4y2Ba

最近，一些人工智能模型被提出来预测创伤相关的死亡率。此前，在韩国的一项多中心回顾性研究中，我们研究了一个使用AIS代码预测死亡率的深度学习模型[gydF4y2Ba17gydF4y2Ba］．我们重新分析了ISS系统，重新定义了46个新的区域，以区分不同内部器官的风险。具有46个新区域的46个特征的DNN的准确率最高。我们发现AI模型可以增强AIS系统的性能。最近，Tran等人[gydF4y2Ba18gydF4y2Ba]报道了一个使用ICD-10预测创伤相关死亡率的机器学习模型。作者使用了NTDB数据集，并将机器学习与ISS和TMPM10进行了比较[gydF4y2Ba10gydF4y2Ba，这是一个基于icd -10的度量标准。然而，每个模型的准确性是相当的。在这项研究中，我们的AI模型大大优于ICISS和EMR-ISS。权等[gydF4y2Ba31gydF4y2Ba]，在一项使用包括创伤和非创伤患者在内的NEDIS数据集的回顾性观察研究中，报告了一个基于深度学习的模型，该模型在预测住院死亡率方面显示出比KTAS更高的准确性。据我们所知，我们的人工智能模型是最准确的模型，在创伤患者中优于基于诊断代码的指标和分类量表。gydF4y2Ba

局限性和未来工作gydF4y2Ba

我们的研究有几个局限性。首先，这是一项回顾性研究，可能会导致大量的选择和生存偏倚;需要进一步的前瞻性试验和验证。其次，我们使用过程代码作为输入特征之一。然而，在急诊科住院期间，它们实际上是不可用的。因此，在一项前瞻性研究中，未经证实的程序代码可用于预测待客时间死亡率。第三，在本研究中，我们没有考虑血压、心率、体温等生理信号。我们尝试利用生理信号的信息来训练和开发一个人工智能模型。然而，由于NEDIS记录的生理信号有限，模型的性能较差;仅记录入院时的血压、心率和温度值。 We believe that time-series physiological signals, such as electrocardiogram, photoplethysmogram, and blood pressure waveform, could improve our proposed model. Fourth, due to the structure of the NEDIS data set, some data, such as age, are collected as categorized data instead of continuous data. Thus, our proposed AI model could enhance the prediction performance with age as a continuous value. Fifth, some categorized input variables in the injury mechanism may appear inappropriate. For instance, the term “traffic accident-pedestrian, train, airplane, ship, etc” is considered 1 variable. However, pedestrians are not associated with an airplane and a ship. In addition, pedestrians have the highest mortality in road traffic collisions. Thus, the term should be separated into multiple variables. In future work, we plan to separate the variable into multiple categories and investigate the impact of each category. Sixth, we could not compare the prediction performances from our AI model with those from AIS code-based approaches such as ISS and NISS, as NEDIS does not provide AIS codes. Recently, we presented an AI model using AIS codes to predict in-hospital mortality [17gydF4y2Ba］．该模型在敏感性、特异性、平衡准确性和AUROC的所有精度指标上都优于传统方法，如ISS和NISS。与之前的研究一样，本研究使用ICD-10和一些临床特征代替AIS代码，并表明AI模型优于传统方法。我们的目标是构建一个结合基于nedis和基于ais的AI模型的更全面的模型。最后，我们的数据不包括其他种族或其他国家的数据。目前，我们的公共网站上有这样的文字:“这个AI模型是在韩国创伤患者身上训练和评估的，可能不适用于其他国家的患者。”因此，未来的外部验证是有保证的，其中我们考虑使用全局数据来进一步改进我们提出的AI模型。gydF4y2Ba

结论gydF4y2Ba

我们提出的人工智能模型显示出较高的准确性，优于传统的基于诊断代码的预测模型和分类量表。我们相信，我们基于人群的人工智能模型可以促进对物理创伤护理的更好理解和实践。此外，这种人工智能和数据驱动的预测模型可能会最大限度地减少人类的偏见和工作量。然而，未来的外部验证和前瞻性研究需要证明真正的效应量。gydF4y2Ba