基于机器学习的战现场伤员预警模型建立与评价.pdf

Beijing610联勤军事医学2 0 2 3年7 月2 8 日第37 卷第7期Mil Med Jnt Log,Vol.37,No.7,July 28,2023基于机器学习的战现场伤员预警模型建立与评价鲁兆楠，贺祯，房彤宇【摘要】目的为为实现战现场对重伤伤员进行预警的需求，以达到分诊前移并指导救治顺序，提高救治效率。方法本研究从某军队医院急诊数据库和美国建立的一个对外开放的多参数临床重症监护数据库（Medical Informa-tionMart forIntensiveCareII，M IM ICII）中分别收集146 9、146 4名患者数据，根据战现场可行性与科学性分析筛选出7个代表性的指标作为训练模型的输人特征，基于XGBOOST进行特征权重排序筛选出最优特征组合，并进一步分析所选取的特征对预测结果的影响程度。利用随机森林、支持向量机、朴素贝叶斯、XGBOOST、多层感知机5种方法构建重伤伤员预警模型，并对预警模型进行性能评价。结果通过实验显示，心率、收缩压与重伤预警组的关联最密切（分别为0.272、0.2 0 6），从而揭示相互之间存在阶梯级关系、构建三个阶梯级传递给后续机器学习方法，得到多层感知机性能显著高于其他方法，仅心率、收缩压精确率就达到了91.40%，其他模型精确率均在8 0%以上，这些表现良好的模型在外部验证中也有一定的泛化能力。结论基于战现场环境，通过采用不同类型的阶梯特征构建模型是可行的，该模型可以在重伤伤员发生前快速预警，并在救治人员到达前辅助做出救援决策，上述研究对降低战现场死亡率、改善预后有一定的实用价值。【关键词】一线救治；伤员预警；机器学习；自主识别；辅助决策【中图分类号】R826【文献标识码】1Adoi:10.13730/j.issn.2097-2148.2023.07.013Evaluation and Establishment of Casualty Warning Model in Battlefield Based on Machine LearningLU Zhaonan,HE Zhen,FANG Tongyu.Military Medical Research Institute,Academy of Military Sciences,100850,ChinaCor6comAbstract Objective To realize the demand of early warning of severe wounded on the battlefield,to achieve theadvance of triage and guide the order of treatment,and to improve the efficiency of treatment.Methods In this study,1469 and 1464 data of patients were collected from the emergency department database of a military hospital and an openmulti-parameter clinical intensive care database Medical Information Mart for Intensive Care II(MIMIC II)establishedby the U.S.According to the feasibility and scientific analysis of the battlefield,7 representative indicators were selectedas the input features of the training model,the optimal feature combination was selected based on the feature weight rank-ing based on XGBOOST,and the influence of the selected features on the predictive results was further analyzed.Fivemethods,random forest,support vector machine,naive Bayes,XGBOOST and multilayer perceptron,were used to con-struct the early warning model of serious injuries and evaluate its performance.Results The experiments showed that theheart rate and systolic blood pressure were the most closely related to the severe injury warning group(0.272 and 0.206respectively),thus revealing the existence of a ladder-level relationship between each other and constructing three ladder-levels to pass to the subsequent machine learning methods.The performance of the multilayer perceptron was significantlyhigher than those of other methods.Only the heart rate and systolic blood pressure reached an accuracy of 91.40%,andthe accuracy of other models was above 80%,these well-behaved models also had certain generalization ability in externalverification.Conclusion Based on the battlefield environment,it is feasible to construct the model by using different typesof ladder features.The model can quickly warn the severe wounded before the occurrence,and assist in making rescue de-cisions before the arrival of the treatment personnel.The above research has certain practical value for reducing the mor-tality rate and improving the prognosis.Key words First-line treatment;Casualty warning;Machine learning;Autonomous recognition;Auxiliary deci-sion战现场救治通常指在战术地域内，由连、营卫生人【作者单位】100850北京，军事科学院军事医学研究院（鲁兆楠、贺祯、房彤宇）【通信作者】房彤宇,E-mail：f a n g d o c t o r 2 0 2 2 16 3.c o m员对负伤人员实施的最初的救护活动。根据已有的战场经验表明，营以前的战术救治对战斗力再生具有决定性意义，无论是“白金10 min还是“黄金1h”的要求，都要以高效的战术救治为前提 1-2 。目前对提高战MilMedJntLogo.7,July28,2023联勤军事医学2 0 2 3年7 月2 8 日第37 卷第7 期611术救治的时效性相关研究中，把重伤伤员预警作为重要的研究课题 3。一旦战现场发生伤员，通过相应生命体征判断是否重伤，并对重伤伤员发出预警信号，将分诊前移，在卫生人员到达前对已受伤的人员进行快速、准确的初步救援顺序判断，使伤员针对性得到医疗处置 4。机器学习技术可以根据已有的数据进行训练分析出各信号之间的内在联系。因此，可以通过该信号为伤员的早期重伤预警提供重要的分析特征。近些年，对于创伤患者预警有较多的研究 5-10。有研究通过创伤改良评分对疾病的发生进行预测 5。还有研究利用决策树、随机森林、神经网络以及统计学逻辑回归等方式对恶化的临床结果进行预测，如心脏骤停、急性肾损伤、脓毒血症或转人重症监护室(intensive care u-nit,ICU)后死亡 6-8 。还有研究将创伤患者预警用于分诊，包括急诊科患者就诊排序问题9 和军事医学的远程分类 10 。但这些研究存在以下问题：平时状态下进行的伤情预测，监测的生理信息精度、广度、信息安全快速传输有一定保障，但不能满足一线伤员预警的需要；目前的伤情分类方法多基于平时伤情分类标准，分类太细不利于快速分配救援人员和物资，也让救援人员对救援顺序产生误判，不符合快速抢救伤员的初衷，不适用于战现场环境；现有的战场伤员信息感知和预测研究仅仅研究原始生理数据而不解析成与作战相关的伤情评估信息，这些原始数据对指挥员或卫勤人员不具有战场决策价值。针对以上存在的问题，本文将伤员预警模型用于战场环境，解决我军一线分诊乱、救援速度慢的问题 11。为了提高伤员预测的准确性和速度,对患者的电子病例进行分析,以确定不同指标与重症之间的关系，结合医学知识与经验的指导，分析不同指标对预警准确性的贡献，并将指标集进行不同组合 12 ，以适应不同的场景，最终达到战现场环境仅用生命体征远程对重伤伤员预警的目的。1大方法1.1数据来源和研究人群研究人群来自某军队医院急诊数据库和临床重症监护数据库（Medical Information Mart for IntensiveCare，M I M I C），该数据库包括从2 0 16-0 4/2 0 2 0-10月的因创伤急诊人院患者的基本信息、诊断信息、生理指标、生化指标和转归结局等。该数据是我国首批具有自主知识产权的急救专业数据库之一，具有一定的权威性。MIMIC数据库由贝斯以色列女执事医疗中心、麻省理工大学、牛津大学和麻省总医院的急诊科医生、重症科医生、计算机科学专家共同建立的一个开放的大型单中心关系型数据库，是一个多参数临床重症数据库，该数据库记录了2 0 0 1-0 6/2 0 12-10 月大型三级医院接受ICU人院的患者。上述数据库虽不是战伤数据，但选取的均为外伤伤员，且是未接受任何治疗前的指标，与战现场伤员有一定的相似性；本研究的结局指标为重伤判断，从临床医学角度出发，生命体征指标与伤情指标之间存在一定的客观联系，如无论什么条件下血压值 6 0/90 mmHg（1m m H g 0.133kPa)即定义为休克，上述数据库在单纯研究输人变量与输出变量的情形下，可以代替战伤情境下的伤员数据进行二者关联研究，因此以上数据库能为本研究提供验证支撑。本研究的研究对象主要是重伤伤员，纳人所有因外伤入院的18 6 0 岁患者。根据国军标战伤现场急救技术规范制定纳入标准：人院时根据急诊分诊，划分为1级的患者；根据损伤控制外科理论纳人死亡三联征的相关诊断 低体温（T 2 0 s)、代谢性酸中毒（pH 1或平均动脉压 7 0 mmHg或人院诊断为休克）、气胸（入院诊断为主）、大出血（人院时血红蛋白 90 g/L且无贫血、恶行肿瘤等疾病)者;脑疝、严重多发伤、肝脾严重损伤者；战伤计分为6 9分者。排除标准：年龄 6 0 岁者；不是因为外伤住院者；有基础疾病者(有一项以上手术记录）；最终死亡者。1.2数据预处理对研究对象的年龄、性别、伤部、生命体征、血常规、血气等特征变量进行收集，共收集2 1项指标。数据要求结合卫勤理论、临床经验与监测技术特点，且所选取的指标内涵需具有明确的针对性且不可或缺，同时所选取的数据能客观反映出对伤情的相关性和影响意义；结合战现场环境，同时需充分考虑对监测的制约，并符合将需紧急救命的伤员区分出来，不对具体伤进行判断的分级救治任务 13-141.3重伤伤员预警模型构建XGBOOST是机器学习的一种。其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器），它对损伤函数做了二阶泰勒展开，并在目标函数中加入了正则项以寻找全局最优，有效权衡模型复杂程度和目标函数，且运行速度快，容错性好。此外，该算法对预测因子的重要性进行排序，以反Mil Med Jnt Log,Vol.37,No.7,July 28,2023联勤军事医学2 0 2 3年7 月2 8 日第37 卷第7 期612映每个变量在重伤预警与非重伤预警组中的贡献。因此，XGBOOST中的单个预测可以通过将决策路径分解为每个特征的一个分量来表示。通过这种方式，可以通过树跟踪决策，并通过在每个决策节点中添加的贡献来解释预测，计算并分析特征重要性，以确定不同特征类型与重伤预警之间的关系，从而为阶梯级预警提供了理论基础，以适应不同场景。此外，为了证明结果的可解释性，用SHAP(ShapleyAdditive exPlana-tion)值来直观表示,SHAP值是解释任何机器学习模型输出的统一方法。将博奔论与局部解释联系起来，根据期望表示唯一可能的一致和局部精确的加性特征归属方法，说明每个特征对分类输出的影响。分别采用某军队医院急诊数据库和MIMIC数据库进行建模，采用随机森林、支持向量机、朴素贝叶斯、XGBOOST、多层感知机5种机器学习方法对战现场重伤伤员进行预警。在某军队医院急诊数据库提取的伤员中，以7 0%数量伤员作为训练集，30%数量伤员作为测试集获得内部验证结果，将MIMICI数据库中获得的伤员作为模型构建数据集，其结果作为外部验证结果技术路线图见图1、2，上述模型由Python3.6实现。数据来源急诊数据库运动采集数据数据预处理数据清理数据标准化数据划分训练集7 0%测试集30%模型构建战场环境下的指标选取模型训练与验证模型训练与验证模型评估准确度召回率优化模型阶梯级指标选取精确度值阶梯级指标选取阶梯级指标集下的模型训练阶梯级指标集下的模型训练随机森林贝叶斯支持向量机多层感知机XGBOOST图1模型构建总体设计图Figure 1Overall design of model construction本研究模型性能评价方面，通过准确率（Accura-cy）、召回率（Recall)、精确率（Precision）、F值来评估。准确率=被预测正确的伤员数量/所有伤员数量，表示预警正确的样本数和总样本数之比；召回率=被预测正确为重伤伤员的数量/所有重伤伤员的数量，表示能否识别风险的概率；精确率=被预测正确为重伤伤员的数量/所有被预测为重伤伤员的数量，表示每次预测成果的概率；F值=（+1）+精确率+召回率/+精确率+召回率，指精确率和召回率的调和平均。本研究中令=1。急诊MIMICIII数据集数据集训练集测试集70%100%30%图2模型内部-外部”交叉验证Figure2Cross validation of the internal-external model2结果2.1研究对象特点根据筛选规则，从某军队医院急诊数据库最终纳1469名伤员，其中449 名纳人重伤预警组，10 2 0 名纳人非重伤预警组；MIMIC数据库最终有146 4名伤员被纳人，其中337 名重伤预警组，112 7 名非重伤预警组，筛选过程见图3。对临床获得的生命体征相关数据进行统计，结果如表1,可以看出重伤预警组与非重伤预警组的患者数据符合实际，数据分布合理，说明纳人排除标准符合实际需求，为后续研究提供了良好的数据支撑2.2特征与指标重要性结果分析2.2.1指标权重排序使用Python的 Feature_im-portances函数得到单个指标对于结局变量的要素重要性,如表2 所示。心率收缩压 血氧饱和度 脉压舒张压 体温呼吸，可见心率、收缩压与伤情预警的相关度很高，有理由认为此两项指标是伤情预警的核心指标，因此形成以心率、收缩压为核心的特征阶梯级。2.2.2名各指标与输出变量的相关性对指标的依赖度用SHAP值表示，说明每个特征对分类输出的影联勤军事医学2 0 2 3年7 月2 8 日第37 卷第7 期Mil Med Jnt Log,Vol.37,No.7,July 28,2023613MIMICII数据库某军队医院急诊数据6377名伤员库18 2 5名伤员缺失指标或明显偏差：8 0 4名缺失指标或明显偏差：2 31名1594名伤员年龄 6 0 岁：05573名伤员年龄 6 0 岁；32 10 名不是因为外伤住院；0不是因为外伤住院；314名纳入最终诊断为重有基础疾病（有一项最终死亡；58 5名度休克、气胸（血以上手术记录）；12 5名1464名伤员入院时分诊为1级1469名伤员气胸、连伽胸）、纳入最终诊断为休大出血患者克、气胸、大出血诊断为严重多发伤、脑疝、严重多发伤、肝脾严重损伤患者肝脾严重损伤患者战伤计分值为6 9分者战伤计分值为6 9分者非重伤预警组重伤预警组（337 名）非重伤预警组重伤预警组（449名）(1020名）(1127名）图3筛选流程图Figure 3Screening flow chart表1重伤预警伤员与非重伤预警伤员生命体征基线对比（土s）Table 1 Baseline comparison of vital signs between patients with and without serious injury warning(s)某军队医院急诊数据库MIMICII数据库指标重伤预警组（n=449）非重伤预警组（n=1020）重伤预警组（n=337)非重伤预警组（n=1127）体温()36.769 0.90736.778 0.67136.391 3.16036.4803.321脉压(mmHg)36.86217.50045.64119.33954.020 17.63760.41017.582呼吸（次/分）20.434 2.80320.251 1.52717.710 4.88617.560 5.507血氧(%)80.494 19.05687.421 12.70397.450 9.78898.360 5.165心率（次/分）112.81925.43889.13518.12089.13018.85191.38019.717收缩压(mmHg)120.46324.365128.37518.512112.98023.472134.84020.923舒张压(mmHg)83.60125.07882.734 17.11658.960 17.46974.440 13.619表2 各生命体征相关要素贡献度Table 2 Contribution degree of each related factors of vital signs指标名称贡献率心率0.272 050 08收缩压0.206007 11血氧饱和度0.119181 10脉压0.117 816 95舒张压0.104 388 565体温0.094 044 335呼吸0.086511890响。每一行代表一个特征，横坐标为SHAP值，大于0说明预警的风险增加，颜色越红说明特征本身数值越大，颜色越蓝说明特征本身数值越小，结果如图4。可以直观地看出心率值越大风险越大，即与伤情需预警呈正相关，收缩压呈负相关,其他要素的关系并不明显。为了确定单个要素对预测模型的影响结果，本研究绘制了各指标SHAP图。本研究将这些特征可视化，表示单个指标预警风险增加的阈值界限，结果如图5。2.2.3指标阶梯级构建指标越多，给出的信息就越多，识别准确性会得到提升。但基于战场环境，特征多，技术实现难，计算复杂度增加，训练数据在全体特征向量中就会显得稀疏，影响相似性判断。更重要的是，如果有对分类无益的特征，反而可能干扰学习效果。因此，获得有效的要素是研究的关键。因此，本研究将这7 种体征形成以核心集为中心的阶梯，得到的排列组合见表3，记录每次迭代新加人的要素，并记录评价要素数据，结果通过受试者工作特征（receiveroperating characteristic,ROC)曲线及曲线下面积(ar-ea under the curve,AUC)来评价，该指标可以衡量评估二分类模型的分类好坏，大小在0 1之间，AUC越大说明模型效果越好。结果显示，要素数为2 个（心率+收缩压)时AUC为0.8 2 或者4个时（心率+收缩压+呼吸+血氧)AUC达到最高0.8 3与全指标（心率+收缩压+血氧饱和度+呼吸+脉压+舒张压+体温)0.82相差不大。综上，将心率、收缩压、血氧饱和度、呼吸、脉压、舒张压、体温7 个要素，划为三个阶梯为HS(心率、收缩压)、HS+O+T（心率、收缩压+血氧+呼吸）、HS+D+O+R+T+PP(心率、收缩压、舒张压+血氧+呼吸+体温+脉压)，建立三个阶梯要素级为各种情况下依靠生命体征在军医到达负伤点前构建重伤伤员预警模型提供依据。2.3模型预测结果应用5种方法针对“阶梯级指标集”进行运算，获得战现场重伤伤员预警模型表现相关数据，具体见表4,ROC曲线分别为图6、7、8。在应用不同个数关键要素时，多层感知机使用4个要素准确率最高达到87.30%；多层感知机方法使用13个要素准确率达到Mil Med Jnt Log,Vol.37,No.7,July 28,2023联勤军事医学2 0 2 3年7 月2 8 日第37 卷第7 期61485.90%。在精确率方面，多层感知机方法使用2 个要素最高达到91.40%；召回率方面，随机森林、支持向量机、XGBOOST、多层感知机在使用7 个要素时最优，朴素贝叶斯方法结果相对稍差。在总体表现方面所有均显示，使用要素数量越多，结果越优，基本符合临床一般规律。通过观察发现，利用多层感知机方法时，将应用关键要素集合1进行预测与应用全要素数据集3进行预测结果相比，应用全要素数据集3的精确率并未明显优于关键要素集合1预测结果，从该梯度可以认为，如果利用于战现场环境，本着越少要素满足需求的想法，当使用2 个关键要素使用多层感知机高心率收缩压血氧饱和度脉压舒张压体温呼吸低-0.2-0.10.00.10.20.30.4SHAP值图4生命体征相关要素总SHAP图Figure 4Total SHAP of related factors of vital signs0.40.40.200.30.30.150.20.100.20.10.050.10.00.000.0-0.1-0.05-0.1-0.2-0.102040608010012014016018050751001251501752002252030405060708090100心率收缩压氧饱和度0.150.200.200.050.150.100.000.150.10出0.05-0.050.100.050.000.00-0.100.05-0.05-0.15-0.050.00-0.1002040608010012051015202530353536373839404120406080100 120 140 160 180脉压呼吸体温舒张压图5各生命体征要素SHAP图Figure 5SHAP of elements of each vital sign表3各要素集组合Table3Combination of each element set特征血氧心率呼吸收缩压舒张压脉压体温AUC数量饱和度10.7020.8230.7740.7540.8340.7940.7650.7450.7750.7550.7650.7450.7660.7860.8270.82时模型表现已基本接近使用全要素数据集3水平，但具体最优要素数量及组合还需进一步细化研究。3讨论本研究对现有的相关预警预测模型做了调研，尽管对具体疾病或者平时状态下分诊推断的检测分析很常见，但未切合战场实际，并不适用于战场救治一线环境。采用机器学习算法仅用生命体征对战场环境下最关注的重伤伤员进行预测预警，对下一步军医的救治指导意义更强。从结果看，XGBOOST在特征选取和权重排序中可以直观显现各指标对结局变量特点，但在模型中表现效果并不是最佳。相比于其他方法，多层感知机的预测效果最佳，可能由于多层感知机是深度学习的网络结构有关，贝叶斯的性能较差，可能由于贝叶斯模型联勤军事医学2 0 2 3年7 月2 8 日第37 卷第7 期Mil Med Jnt Log,Vol.37,No.7,July 28,2023615表4机器学习算法模型“内部-外部 验证结果Table 4“Internal-external verification results of machine learning algorithm model机器学习内部验证外部验证要素集要素数方法总体表现准确率精确率召回率总体表现准确率精确率召回率随机森林0.6800.8120.7730.6070.4350.7820.5360.366支持向量机0.6980.8390.8630.5860.4240.8270.9030.277关键要素集12朴素贝叶斯0.6090.8050.8380.4790.3770.8210.9230.237XGBOOST0.6560.8000.7240.6000.4420.7700.5000.400多层感知机0.7290.8580.9140.6070.5030.8390.8570.356随机森林0.6820.8390.7760.6080.4420.8040.6540.333支持向量机0.7190.8640.8650.6160.3780.8140.8330.245关键要素集24朴素贝叶斯0.6340.8100.6950.5840.1750.7860.8330.298XGBOOST0.6520.8160.7040.6080.4140.7750.5220.343多层感知机0.7380.8730.8880.6320.5260.8360.8000.392随机森林0.6920.8320.7980.6110.6620.8790.8000.565支持向量机0.7220.8580.9010.6230.6190.8770.8800.478关键要素集37朴素贝叶斯0.6560.8120.7520.5800.4990.8450.7720.369XGBOOST0.6870.8210.7430.6400.6420.8680.7430.565多层感知机0.7380.8590.8700.6390.6170.8700.8070.500假设属性之间相互独立，各指标之间的相关性不能简单的衡量，因此，贝叶斯无法很好解释本研究关注的问题。在针对不同指标组合时，使用指标数与算法模型最终的呈现并非线性关系：一是随机森林和支持向量机在进行重伤伤员预警时，随着指标增多，其精确率、总体表现呈上升趋势；二是在贝叶斯、XG-BOOST、多层感知机中，随着指标的增多精确率反而有所下降，尤其是多层感知机，在两项指标获得最高点为0.914。以上现象表明，在应用机器学习算法进行预测时，需要找到最合适的研究变量数量，并非无限制扩充，这与一线环境下的指标要求不谋而合。因此，阶梯级指标的概念应引人至指标纳人中，为各种环境下适用模型应用做充分考虑，但这其中所存在的规律和机制随着监测技术的发展还需要进一步探索研究。另外，对模型进行外部验证有利于确定模型的通用性。研究指出,未来疾病预测的研究方向应该在模型的外部验证方面 15。从模型综合性能方面，内部验证的结果普遍好于外部验证的结果，经分析可能原因有：在应用机器学习算法时，研究所选用的阶梯级指标是在内部验证数据集下的相对最优指标集，因而使用关键指标集1和关键指标集2 对重伤进行预警时，内部验证高于外部验证。对于全指标即关键指标集3中,MIMICI数据库的外部验证与内部验证相差不大，说明该模型有一定的泛化性能，同时证明生命体征指标预警重伤是符合客观规律且有意义的。两个数据库一个是MIMICII数据库，一个是某军队医院急诊数据库，数据偏向性和人种方面均有一定的差异，因此导致预测性能有所差异。在使用算法模型时，选择了4种普通机器学习，一种深度学习，这些方法并不都适用于小样本建模，其内部机制还未获得完全解读，因此后续可考虑是否尝试多种算法模型获得泛化性能更强的模型。本研究有一定的局限性。首先，患者的样本量比较小，阴性样本和阳性样本数量不平衡。本研究使用了回顾性的电子病例数据，而不是最初采集的数据进行分析，虽说预警模型表现良好，但病情的发展是一个综合性的过程，生命体征采集设备正朝着小型化方向发展，性能不断优化，可实现实时采集，本研究尚未充分利用时间序列数据的优势。其次，数据采集设备、采集方法、传输方法对数据质量的影响很大，该模型是否能够在战场一线中准确识别还需要前瞻性验证。在本研究中,本文将卫勤伤势中的“重伤”一词进行了具体描述归类，并将其与“需预警”相关联。本研究创新点：将平时状态下疾病的预测预警理念运用至战时，尤其是一线的重伤预警，基于一线环境下可采集的生命体征发现，心率、收缩压与预警的判断最相关，由此发现了它们之间存在着阶梯式关系；将分诊前移，不再依赖军医到达现场后人工分诊，通过相应模型为各种情况下仅依靠生命体征在军医到达负伤点前正确筛选出重伤患者，减少有限卫勤人员的负担，将更多的精力放在救治中。Mil Med JntLog,Vol.37,No.7,July28,2023联勤军事医学2 0 2 3年7 月2 8 日第37 卷第7 期6161.0-1.0-0.80.80.60.6-0.40.40.2XGEocstROCcurve(area=0.78)0.2XGEocstROCcurve(area=0.70)RardomForest ROC curve(area=0.81)RardomForestROCcurve(area=0.73)SVMROCcurve(area=0.80)SVM ROCcurve(area=0.73)NLPRegressorROCcurve(area=0.83)NLPRegressorROCcurve(area=0.81)NaiveBayes ROCcurve(area=0.82)NaiveBayes ROC curve(area=0.80)0.00.20.40.60.81.00.00.20.40.60.81.0假阳性率假阳性率图6 关键要素集1预测结局内部验证、外部验证ROC曲线Figure 6 Key factor set 1 ROC curve of internal verification and external verification of predicted outcome1.01.00.80.80.60.60.40.40.2XGEocstROCcurve(area=0.78)0.2XGEocst ROC curve(area=0.66)RardomForest ROC curve(area=0.79)RardomForest ROCcurve(area=0.71)SVM ROCcurve(area=0.79)SVM ROCcurve(area=0.73)NLPRegressorROCcurve(area=0.80)NLPRegressorROCcurve(area=0.76)NaiveBayes ROCcurve(area=0.79)NaiveBayesROCcurve(area=0.78)0.00.20.40.60.81.00.00.20.40.60.81.0假阳性率假阳性率图7关键要素集2 预测结局内部验证、外部验证ROC曲线二Figure 7 Key factor set 2 ROC curve of internal verification and external verification of predicted outcome1.01.00.80.8-0.60.60.40.40.2XGEocstROCcurve(area=0.80)0.2XGEocstROCcurve(area=0.80)RardomForestROCcurve(area=0.80)RardomForestROCcurve(area=0.82)SVMROCcurve(area=0.78)SVM ROCcurve(area=0.81)NLPRegressorROCcurve(area=0.81)NLPRegressorROCcurve(area=0.82)NaiveBayesROCcurve(area=0.81)NaiveBayes ROCcurve(area=0.83)0.00.20.40.60.81.00.00.20.40.60.81.0假阳性率假阳性率图8 关键要集3预测结局内部验证、外部验证ROC曲线Figure 8 Key factor set 3 ROC curve of internal verification and external verification of predicted outcome(2023-03-13收稿）上接第6 0 9 页）(2022-02-13收稿）联勤军事医学2 0 2 3年7 月2 8 日第37 卷第7 期Mil Med Jnt Log,Vol.37,No.7,July 28,2023617参考文献1陈文亮战伤时效救治 MJ.北京：军事科学出版社，2 0 2 0：47-492孙国琳，由林，郭树森。战伤救治阶梯分级的探讨.人民军医,2 0 2 0,6 3(9)：8 2 5-8 2 83陈宏光。扩大卫生员急救技术范围研究 重庆：第三军医大学，2 0 0 54Kotwal RS,Montgomery HR,Kotwal BM,et al.Eliminating pre-ventable death on the battlefield J.Arch Surg,2011,146(12):1350-13585Chiu YD,Villar SS,Brand JW,et al.Logistic early warning scoresto predict death,cardiac arrest or unplanned intensive care unit re-admission after cardiac surgeryJ.Anaesthesia,2020,75(2):162-1706Huang CT,Chang RC,Tsai YL,et al.Entropy-based time windowfeatures extraction for machine learning to predict acute kidney in-jury in ICUJJ.Appl Sci,2021,11(14):63647Yun H,Park JH,Choi DH,et al.Enhancement in performance ofseptic shock prediction using national early warning score,Initialtriage information,and machine learning analysis J.J EmergMed,2021,61(1):1-118Mayampurath A,Jani P,Dai Y,et al.A Vital sign-based model topredict clinical deterioration in hospitalized childr