创伤性脑损伤（TBI）是全球致死致残的主要原因之一，急诊场景下能否快速判断患者是否需要手术、是否存在大量输血风险，直接关系到救治成功率。但传统决策依赖医生经验，主观性强、误判风险高。近日，北京军事医学科学院团队Deng Jiang等研究者与河北医科大学第二医院麻醉科Deng Tao 等多中心联合攻关，在《npj Digital Medicine》（IF=15.1，数字医学顶刊）发表重磅成果：开发多组学融合（MDF）预测模型，整合临床生物标志物、神经影像特征、临床文本挖掘三维数据，实现 TBI 患者手术干预与输血需求的精准预测，多中心2219 例样本验证，提前3 小时给出决策建议，为急诊救治争取关键时间！

文章信息速览

• 原标题：Interpretable Multiomics Models for Predicting Surgical Interventions and Blood Transfusion Requirements in Traumatic Brain Injury

• 期刊：npj Digital Medicine（IF=15.1）

• 关键词：创伤性脑损伤（TBI）、多组学融合模型、手术预测、输血需求、急诊决策、可解释性 AI、多中心验证

核心创新：① 首次整合临床指标、CT 影像（2.5D 深度学习）、病历文本三维数据；② 双目标预测（手术干预 +≥4U 红细胞输血），多中心 2219 例验证；③ 内置 SHAP/Grad-CAM 可解释模块，提升临床信任度；④ 开发急诊简化版模型，适配资源有限场景。

研究背景与临床痛点

TBI 急诊救治的核心矛盾亟待解决：

决策压力大：全球每年新增 6900 万 TBI 病例，急诊需在短时间内判断手术必要性、预估输血需求，传统依赖经验易误判；

输血准备难：38%-48% 的 TBI 患者需输血，提前 2-4 小时预判可为血库储备、资源调配争取时间，避免术中血源短缺；

现有模型局限：多为单中心、单模态（仅临床指标或影像），泛化性差、缺乏可解释性，难以落地临床。

团队核心目标：① 构建多维度数据融合模型，提升预测准确性与跨中心适用性；② 实现 “手术 + 输血” 双目标同步预测，覆盖急诊核心决策需求；③ 增强模型可解释性，让医生理解决策逻辑；④ 开发简化版模型，适配急诊快速处置场景。

研究核心亮点

这篇研究的突破在于“从多模态融合到临床落地” 的全链条赋能，5 大核心亮点直击临床痛点：

1. 多组学融合：三维数据打破信息孤岛，预测性能碾压单模态

模型整合三大核心数据维度，实现 1+1+1>3 的预测效果：

临床生物标志物（CBI）：含生命体征、血常规、乳酸、GCS 评分等 146 项指标；

神经影像特征（NRI）：创新 2.5D 深度学习（MobileNet V2），提取 CT 影像 7 个关键层面特征，Grad-CAM 验证特征与脑出血区域高度重合（图 1c）；

图1

临床文本挖掘（CTM）：通过 NLP 提取入院病历中的损伤类型、并发症等 44 项结构化特征（如脑疝、多发性脑挫伤）（图 2a）；

图2

融合优势：手术预测 F1 值达 0.63-0.85（外部验证），输血预测 F1 值 0.74（外部验证），均显著优于单一模态模型（临床模型 F1 0.57-0.68、影像模型 0.57-0.82、文本模型 0.48-0.75）（图 3e-f）。

图3

2. 多中心验证：2219 例样本背书，跨机构泛化性拉满

基于 4 个三甲医院队列开展严格验证，确保模型真实世界适用性：

样本规模：总计 2219 例 TBI 患者（队列 1：1060 例用于建模 / 内部验证；队列 2-4：1159 例用于外部测试）；

验证结果：手术预测外部验证 AUC 0.70-0.82，输血预测外部 AUC 0.74，且在不同年龄、性别亚组中性能稳定（图 3e-f）；

提前预测：模型可在患者入院后 2-4 小时内输出结果，较实际干预平均提前 3 小时，为手术准备、血库调配争取关键时间。

3. 双目标预测：一站式解决急诊核心决策，临床实用性拉满

同步实现两大核心需求预测，覆盖 TBI 急诊救治关键环节：

手术干预预测：聚焦颅内血肿清除、去骨瓣减压等必要手术，核心预测因子为影像深度学习特征、意识水平、蛛网膜下腔出血（SHAP 分析，图 4a）；

大量输血预测（≥4U RBC）：精准预判围手术期输血需求，核心预测因子为乳酸（升高）、GCS 评分（降低）、血红蛋白（降低）（图 8b），且预测概率与实际输血量强相关（验证集 R=0.687，外部集 R=0.580）（图 4d）；

图4

风险分层：将患者分为低 / 中 / 高输血风险组，各组实际输血量差异显著（P<0.05），助力精准资源分配（图 4c）。

4. 可解释性突破：AI 不再是 “黑箱”，医生看得懂才敢用

融入 SHAP 和 Grad-CAM 技术，让模型决策逻辑透明化：

手术预测：影像深度学习特征贡献最大，其次是意识水平、颅骨骨折等文本特征（图4a）；

输血预测：临床指标（乳酸、GCS、血红蛋白、瞳孔反射）是核心驱动因素（图 4b）；

影像可视化：Grad-CAM 标记出模型关注的脑出血、水肿区域，与临床医生判读重点一致（图 1c），大幅提升临床信任度。

5. 急诊适配：简化版模型落地无忧，资源有限场景也能用

针对急诊数据不全、时间紧迫的痛点，开发简化版模型：

数据简化：仅保留血常规、体格检查（GCS、瞳孔反射）、CT 影像、入院文本等常规数据，无需额外化验；

性能稳定：验证集 AUC 0.81，外部集 AUC 0.75，决策曲线分析显示临床净获益显著（图 5b-d）；

核心优势：计算量小、适配现有电子病历系统，可无缝嵌入急诊 workflow，无需额外增加医生负担。

图5

临床价值

• 对医生：提供客观决策依据，减少经验依赖，尤其适合低年资医生或急诊繁忙场景，降低漏判 / 误判风险；

• 对患者：提前锁定高风险人群，手术准备更充分、输血更及时，减少围手术期死亡和并发症风险；

• 对医院：优化资源分配，高输血风险患者提前备血，避免血源浪费或短缺，提升急诊救治效率，尤其适配灾害、军事冲突等大规模伤患场景。

这篇 IF=15.1 的研究，不仅构建了性能卓越的多组学预测模型，更实现了 “技术创新 - 临床适配 - 落地可行” 的闭环：三维数据融合解决了单模态模型的泛化性难题，可解释性技术打破了 AI 临床应用的信任壁垒，双目标预测和简化版模型精准匹配急诊实际需求。

随着该模型的前瞻性验证和临床推广，未来 TBI 急诊救治将更精准、更高效 —— 医生无需在短时间内承担巨大决策压力，患者能获得更及时的针对性治疗，医院资源也能实现最优配置。这正是数字医学的核心价值：用技术赋能临床，让每一次急诊决策都有迹可循、有据可依。

原文DOI： 10.1038/s41746-025-02072-5

专注期刊投稿、发表十年，任何投稿、写作难题欢迎咨询！