目的：研究机器学习在创伤出血死亡风险预测领域中的预测效能，解决传统创伤评分对创伤患者预后判断预测准确率低的问题，以期为后续建立更加完善的严重创伤患者出血死亡预测提供借鉴和参考。方法：收集国家创伤医学中心数据库2023年4月1日至2024年3月31日严重创伤患者临床资料，用ElasticNet、递归特征消除法和基于互信息的特征选择方法筛选变量，并与传统假设检验方法进行了对比。并用ElasticNet和SVM方法构建创伤出血死亡风险预测模型，比较两种方法预测性能。结果：三种方法筛选方法在变量筛选和重要性排序变量的结果较为一致。ElasticNet模型均方误差（MSE）为0.1289，存活准确率为81.7%，死亡准确率为78.5%。SVM模型线性核、高斯核和sigmoid核三种模型准确率分别为83.3%、84.7%和60.1%。ElasticNet的AUC为0.88，SVM的AUC为0.86，二者分类性能差异较小。结论：机器学习方法能够有效提高创伤出血死亡风险预测效果，在创伤出血死亡风险预测方面具有较好的发展前景。

王奕权,田思佳,牛升梅,黄志蓓,秦飞,张进军. 基于机器学习构建创伤出血死亡风险预测模型研究[J]. 中华急诊医学杂志, 2025,34(11): 1574-1578.
DOI号:10.3760/cma.j.cn114656-20250314-00193

基金项目：国家重点研发计划（2022YFC3006201）

关键词： 创伤 出血 深度学习 死亡风险