突发公共事件已经成为了一种全球现象，是指突然发生，造成或者可能造成严重社会危害、巨大人员伤亡及公私财产损失，需要采取应急处置措施予以应对的自然灾害、事故灾难、公共卫生事件和社会安全事件。据估计，世界各地每周至少发生一起灾难或大规模伤亡事件^[1-2]。突发事件后，想要降低伤员死亡率，主要依靠早期手术干预以及快速输血，以恢复伤员的循环血容量，这两个主要措施都需要大量血液支撑。然而，血液却与其他救援物资有着显著差别，目前血液还不能通过人工制造或合成，均靠他人捐献，同时其保质期较短、需冷藏保存、需求种类复杂以及检验安全要求高，使得应急血液较其他应急物资具有更强的特殊性和不可替代性。随着经济社会的快速发展，且我国承办的国际性大型活动逐年增多，相关突发事件救援保障工作面临巨大挑战，如何利用有限的资源对公共事件早期蜂拥而至的伤员进行及时、合理、有效的救治和处理是一项需要研究的重大挑战^[3]。但急诊创伤患者存在抢救窗口期较短、实验室及影像学检查完善性相对不足，故既往的用血预测模型也需做出相应调整，如何凭借入院快速获得的指标评估患者输血风险、预测血液需求，是符合现代急救与复苏医学的发展需要考虑的问题^[4]。

本研究目的是基于急诊创伤患者的临床资料，利用人工智能机器算法技术对传统血液保障模式进行优化，构建突发公共事件群体性血液保障辅助决策预测模型，使突发情况下群体性血液需求的早期预测成为可能，并为医院和采供血机构优化血液需求评估提供参考。

采用回顾性分析方法，随机抽取浙江省内12家医院，收集2018年1月至2020年12月急诊科就诊的创伤患者。纳入标准：(1)诊断为多发伤等创伤类型的患者；(2)从受伤现场直接运送至急诊的创伤患者；(3)分诊级别为Ⅰ、Ⅱ级的创伤患者。排除标准：(1)经由外院诊治后转院收入的患者；(2)既往有血液病、慢性病病史患者。本研究已通过浙江省血液中心伦理委员会审查（伦理审核批号：2019-015）。

通过医院的急诊患者就诊信息登记系统收集研究对象的数据资料，包括人口学特征（性别、年龄、体重）、损伤情况[是否穿透伤、损伤部位（头颈/躯干/腹部/骨盆）]、一般检查（心率、收缩压、休克指数）、急诊检查结果（血红蛋白、胸腔积液、腹腔积液等）和输血情况等。对各项资料进行核实，排除有疑问及不完整的数据。

从急诊创伤患者诊疗信息中分析用血相关因素，利用四种计算机学习算法：DecisionTree模型、GradientBoost模型、GBDT（gradient boosting decision tree）模型、XGBoost（eXtreme Gradient Boosting）模型构建急诊创伤患者输血风险预测模型，以急诊创伤类患者是否用血和总体用血量为模型输出变量，通过超参数优化从中选出表现最佳的模型。通过将机器学习构建出的急诊创伤患者输血风险预测模型与传统大量输血（massive transfusion, MT）预测模型做对比，寻找出准确度（准确度、召回率、F1_score、AUC）更优的机器学习模型。传统输血预测模型包括以下四种：创伤相关严重出血（trauma associated severe hemorrhage, TASH）评分法，是Yücel等^[5]于2006年创建的创伤相关严重出血评分法；血液消耗评估（assessment of blood consumption, ABC）评分，是Nunez等^[6]于2009年创建的较简捷的血液耗费评估法；香港Prince of Wales Hospital（PWH）评分法，是Rainer等^[7]于2011年报道用于中国人的评分法；创伤性凝血障碍临床评分（trauma-induced coagulopathy clinical score, TICCS），是Tonglet等^[8]于2015年建立的一种创伤性凝血病临床评分法。

通过设置用血需求量分类等级（输注红细胞0~ > 10 U的分级次数作为分类等级）与实际平均用血需求量均值之间的映射关系，将用血需求量预测回归任务转化为用血量等级分类任务，以降低单位伤员用血量预测的偏差影响，从而降低群体宏观用血总量的偏差值。急诊创伤患者用血量预测模型评估通过计算模型对不同分类等级构成的测试集的平均单位患者用血量误差形成误差区间，根据误差的浮动范围判定模型在实际使用中的价值。

使用PythonV 3.8.0和SPSS 23.0软件对数据进行处理分析，构建急诊创伤患者用血数据库；符合正态分布计量资料采用均数±标准差（x±s）表示，采用卡方检验求得Phi相关系数，采用Logistic回归分析进行多因素分析。利用XGBoost对用血预测进行模型构建，通过网格搜索找到最佳的模型参数并予以验证，使用线性回归（ElesticNet）、SVM回归以及决策树回归三种模型对用血量进行预测。以P < 0.05为差异具有统计学意义。

12家综合医院（其中省级医院2家、市级医院10家）2018—2020年首诊急诊创伤患者数据样本共计2 166例，经变量的提取和数据清洗，最后共纳入2 025例，其中1 146例无输注红细胞记录，879例有输注红细胞记录。男性1 443人，进行红细胞输注594例，占41.2%，女性582人，进行红细胞输注285例，占49.0%，男性患者输血率低于女性（P=0.001）。红细胞输注患者中，男性人均红细胞输注量为（8.11±8.79）U，女性人均红细胞输注量为（7.49±6.51）U，性别之间差异无统计学意义（P=0.084）。

统计急诊创伤患者入院15 d内红细胞输注情况并进行比较，发现入院3 d内累计红细胞输注量占15 d总输注量的60%。随时间推移，后期每日红细胞输注量逐渐趋于平稳，同时由于治疗措施的跟进及疾病转归使急诊入院获取的患者数据与后期红细胞输注量数据的相关性逐渐降低，考虑突发公共事件发生的紧迫性，选取前3 d的红细胞输注数据作为事件后急诊创伤患者群体用血量预测的时间维度（图 1）。

图 1 15 d内用血量统计直方图 Fig 1 Histogram of blood consumption statistics within 15 days

图选项

将急诊创伤患者按照是否进行红细胞输注分为两组，比较两组在人口学特征、损伤情况、一般检查情况、急诊实验室结果、急诊影像学检查结果等方面。结果显示，休克指数、血红蛋白、腹腔积液、性别、体重、受伤部位、腹腔积液、心率、收缩压在是否进行输血治疗方面是否存在组间差异，将其纳入急诊创伤患者输血风险预测模型变量。将有统计学意义的指标纳入Logistic回归分析，结果显示：休克指数、红细胞压积、收缩压、腹部受伤、骨盆受伤、腹腔积液和血红蛋白与是否输血相关（表 1、表 2）。

将上述各项参数纳入预测模型数据集，根据急诊创伤患者的实际红细胞输注量将用血量预测转化为用血/不用血的简单二分类模型，使用XGBoost对总数据集进行二分类拟合，同时结合交叉比对以及网格搜索找到最佳的模型参数（表 3）。通过优化模型，最终将机器学习构建出的急诊创伤患者输血风险预测模型与传统预测模型对比，结果显示XGBoost模型准确率最高，达59.0%（表 4）。

基于分类模型以及相应的用血分级量化标准对医院数据进行50次预测，发现将用血需求量预测任务转化为用血量等级分类预测，可有效降低预测偏差值（表 5）。因此将数据集采用七级用血量分级标准（0 U、0~2 U、2~4 U、4~6 U、6~8 U、8~10 U、大于10 U）进行分级，运用回归模型直接对每个样本的用血需求量进行预测，分别使用了线性回归、SVM回归以及决策树回归三种模型进行预测，最终SVM回归计算出的XGBoost模型效果最优，准确度最高且相对稳定，其偏差在[0~1] U之间浮动（图 2）。根据预测模型得到用血预测公式为：∑_nw×c，（n为用血人数，w为用血分级权重，具体数值为交叉比对得到的最优用血量，代表不同用血等级下的伤员平均用血量，c为用血量分类模型预测结果，并确定用血等级），将数据带入模型公式，得到预测用血量（表 6）。

Y轴为平均每个样例的用血偏差值，单位为U/每人，X轴为训练轮次，蓝色线为用血需求量预测结果与实际结果偏差值，红色线为用血量分级转化结果与实际结果偏差值 图 2 用血需求量预测与用血量等级分类对于实际结果偏差值的比较 Fig 2 Comparison of actual deviations between blood demand prediction and blood consumption classification

图选项

在伤员救治过程中，血液是不可或缺的生命资源，输血是必不可少的治疗手段。对于急诊创伤患者来说，能否及时、有效地进行输血，在损伤控制、复苏和后期的手术等治疗过程中都是至关重要的^[9-10]。有研究指出，在突发事件后急诊伤员中，约三分之二死于出血，其中一半在4 h内死亡，95%在受伤后24 h内死亡^[11-12]。可见，突发公共事件下及早、安全、充足的血液支持的重要性。虽然现在已在逐步开展无人机送血工作，极大地减少了血液配送时间^[13]，但急诊创伤患者存在抢救窗口期较短、实验室及影像学检查完善性相对不足，故既往的用血预测模型也需做出相应调整，如何凭借入院快速获得的指标评估患者输血风险，预测血液需求是符合现代急救与复苏医学的发展需要考虑的问题^[14-19]。

本研究对急诊创伤患者数据分析研究发现，休克指数、红细胞压积、收缩压、腹部受伤、骨盆受伤、腹腔积液、血红蛋白等指标可进行用血风险预测判断，该结果与国内外一些研究结果较为一致。如Yücel等^[5]的TASH评分法中发现的血红蛋白含量、碱剩余、收缩压、心率、腹部游离液体、长骨或骨盆骨折、性别为输血影响因素；McLaughlin等^[20]发现血红蛋白含量、碱剩余、收缩压和心率为输血影响因素，以及Nunez等^[6]研究发现的穿透伤、收缩压、心率、急诊床旁腹部超声阳性指征为输血影响因素等。

XGBoost是一种Boosting集成学习算法，既可以处理分类性问题，也可以处理回归性问题, 由多个弱学习器迭代学习实现强学习器^[21]。XGBoost目标函数包括损失函数和正则项两部分，在GBDT模型基础上加以改进，对损失函数使用二阶泰勒展开，引入一阶导数和二阶导数，可以有效控制模型过拟合提高预测精度^[22-23]。本研究通过前期的相关性分析和多因素分析，将有关参数纳入构建急诊创伤患者输血风险预测模型及用血量预测模型，通过验证，XGBoost模型命中率最高，达59.0%，远高于传统预测模型中PWH评分法的命中率32.14%。因此，XGBoost适用于急诊创伤患者用血预测模型。

模型构建过程中，发现涉及个体患者输血量预测时，XGBoost模型准确性会产生波动，对数据源进行分析发现，原因包括不同医院具体的输血措施规范有所不同、不同临床医师对于患者病情判断不同、样本数据采集时间单一等问题。通过建立输血量与输血等级的映射关系从而将用血需求量预测回归任务转化为用血量等级分类任务，可对预测模型准确性进行一定的优化，消除个体因素影响，用血量预测最优模型为采用七级用血量分级标准所生成的回归拟合模型，其偏差在[0, 1] U之间浮动，使得模型在不同医院存在缺失值和差异的情况下，也能完成预测任务。

本研究存在以下的局限性：本研究是多家医院进行的回顾性研究，因此受到不同级别医院临床资料完整性问题的影响而导致样本数量不均，对模型的效能可能有一定影响，下一步可分医院级别针对更大样本量对模型进行完善，或采用神经网络等其他模型进一步研究。

综上所述，本研究提出的通过人工智能机器学习训练拟合生成的急诊创伤患者输血风险预测模型及用血量预测模型具有良好的泛化能力和准确性，为突发公共事件下帮助临床有效开展创伤伤员急救工作，降低患者病死率提供了科学依据。同时进一步丰富和完善了我国应急血液保障理论体系，对于突发事件后启动相应的应急预案，向公众发出招募需求，开展血液采集和统筹调度提供指导，推动突发事件下血液保障从主观粗放型向客观精准型转变^[24]，具有辅助决策指导作用。

利益冲突  所有作者声明无利益冲突

作者贡献声明  潘凌凌、胡伟：研究设计、文章撰写；胡哲畅、李强：数据收集、数据整理；胡哲畅、韩文娟：统计学分析、论文修改；胡伟：基金支持