IMPACT和CRASH模型对创伤性颅脑损伤患者预后评估价值的比较研究

doi:10.12114/j.issn.1007-9572.2023.0367

摘要/Abstract

摘要： 背景国际颅脑损伤预后临床测试研究（IMPACT）和重型颅脑损伤后皮质类固醇的随机化研究（CRASH）模型是国际上具有影响力的创伤性颅脑损伤（TBI）预后预测模型，需要继续开发，完善和持续的外部验证，以确保对不同环境的普适性。目的同时在中国TBI人群中进行验证IMPACT和CRASH模型的预后评估价值并进行比较。方法选取2017—2019年在郑州大学附属郑州中心医院内接受治疗的TBI患者210例为研究对象，收集纳入患者的基本信息。随访观察患者14 d存活情况和6个月格拉斯哥预后评分（GOS），随访截止时间为2021年6月，终止事件为中途失访。绘制受试者工作特征曲线（ROC曲线）评估IMPACT和CRASH模型对TBI患者预后的预测效能，计算ROC曲线下面积（AUC）。采用Brier评分评价模型的校准度。结果患者平均年龄（54.0±17.4）岁，分别绘制IMPACT模型与CRASH模型预测TBI患者预后的ROC曲线，结果显示IMPACT核心模型、CT模型、实验室模型预测TBI患者6个月GOS预后不良的AUC分别为0.807（95%CI=0.747~0.866，P<0.001）、0.843（95%CI=0.789~0.897，P<0.001）、0.845（95%CI=0.793~0.897，P<0.001），Brier评分分别为0.179、0.164、0.161；IMPACT核心模型、CT模型、实验室模型预测TBI患者6个月死亡的AUC分别为0.868（95%CI=0.816~0.919，P<0.001）、0.896（95%CI=0.851~0.941，P<0.001）、0.892（95%CI=0.850~0.935，P<0.001），Brier评分分别为0.151、0.144、0.136。CRASH基本模型、CT模型预测TBI患者6个月GOS预后不良的AUC分别为0.747（95%CI=0.682~0.813，P<0.001）、0.766（95%CI=0.703~0.829，P<0.001），Brier评分分别为0.306、0.308；CRASH基本模型、CT模型预测TBI患者14 d死亡的AUC分别为0.791（95%CI=0.723~0.860，P<0.001）、0.797（95%CI=0.728~0.865，P<0.001）；Brier评分分别为0.348、0.383。结论对于TBI患者的预后，IMPACT模型整体较CRASH模型显示出较好的预测能力。

关键词: 创伤和损伤, 颅脑损伤, 国际颅脑损伤预后临床测试研究, 重型颅脑损伤后皮质类固醇的随机化研究, 风险预测模型

Abstract:

Background

International Mission on Prognosis and Analysis of Clinical Trial (IMPACT) and Corticosteroid Randomisation after Significant Head Injury (CRASH) are internationally influential prognostic models for traumatic brain injury (TBI), which need to be continuously developed, improved and continuously verified externally to ensure generalizability to different settings.

Objective

To verify and compare the prognostic evaluation values of IMPACT and CRASH simultaneously in TBI population in China.

Methods

A total of 210 TBI patients treated in Zhengzhou Central Hospital Affiliated to Zhengzhou University from 2017 to 2019 were retrospectively selected as the study objects, and the basic information of the included patients was collected. The 14-day survival and 6-month Glasgow prognostic score (GOS) of the patients were followed up until June 2021, with a termination event of loss of follow-up. Receiver operating characteristic (ROC) curve was plotted to evaluate the predictive efficacy of IMPACT and CRASH models in TBI patients, and the area under ROC curve (AUC) was calculated. Brier score was used to evaluate the calibration degree of the model.

Results

The average age of the patients was (54.0±17.4) years. The ROC curves of the IMPACT model and CRASH model to predict the prognosis of TBI patients were plotted, respectively, and the results showed that the AUCs of IMPACT core model, CT model and laboratory model to predict the poor prognosis of GOS in TBI patients at 6 months was 0.807 (95%CI=0.747-0.866, P<0.001), 0.843 (95%CI=0.789-0.897, P<0.001), 0.845 (95%CI=0.793-0.897, P<0.001), Brier scores were 0.179, 0.164, 0.161, respectively; the AUCs of IMPACT core model, CT model and laboratory model predicting 6-month death in TBI patients were 0.868 (95%CI=0.816-0.919, P<0.001), 0.896 (95%CI=0.851-0.941, P<0.001), 0.892 (95%CI=0.850-0.935, P<0.001), and Brier scores were 0.151, 0.144 and 0.136, respectively. The AUCs of CRASH basic model and CT model to predict the poor prognosis of GOS in TBI patients at 6 months was 0.747 (95%CI=0.682-0.813, P<0.001) and 0.766 (95%CI=0.703-0.829, P<0.001) ; Brier scores were 0.306 and 0.308, respectively. The AUCs of CRASH basic model and CT model for predicting 14-day death of TBI patients were 0.791 (95%CI=0.723-0.860, P<0.001) and 0.797 (95%CI=0.728-0.865, P<0.001), the Brier scores were 0.348 and 0.383, respectively.

Conclusion

For the prognosis of TBI patients, the IMPACT model showed better overall predictive capacity than the CRASH model.

Key words: Wounds and injuries, Craniocerebral trauma, IMPACT, CRASH, Risk prediction model

刘彩霞,安婷婷,刘静,等. IMPACT和CRASH模型对创伤性颅脑损伤患者预后评估价值的比较研究[J]. 中国全科医学, 2024, 27(15): 1843-1849. DOI: 10.12114/j.issn.1007-9572.2023.0367.
LIU Caixia,AN Tingting,LIU Jing, et al. Prognostic Value of IMPACT and CRASH Models in the Assessment of Patients with Traumatic Brain Injury: a Comparative Study[J]. Chinese General Practice, 2024, 27(15): 1843-1849. DOI: 10.12114/j.issn.1007-9572.2023.0367.

图/表 7

参考文献 19

[1]	GAO G Y, WU X, FENG J F，et al. Clinical characteristics and outcomes in patients with traumatic brain injury in China：a prospective，multicentre，longitudinal，observational study[J]. Lancet Neurol，2020，19(8):670-677. DOI：10.1016/S1474-4422(20)30182-4.
[2]	STEYERBERG E W, MUSHKUDIANI N, PEREL P，et al. Predicting outcome after traumatic brain injury：development and international validation of prognostic scores based on admission characteristics[J]. PLoS Med，2008，5(8):e165;discussione165. DOI：10.1371/journal.pmed.0050165.
[3]	ROBERTS I, YATES D, SANDERCOCK P，et al. Effect of intravenous corticosteroids on death within 14 days in 10008 adults with clinically significant head injury（MRC CRASH trial）：randomised placebo-controlled trial[J]. Lancet，2004，364(9442):1321-1328. DOI：10.1016/S0140-6736(04)17188-2.
[4]	WARMAN P I, SEAS A, SATYADEV N，et al. Machine learning for predicting In-hospital mortality after traumatic brain injury in both high-income and low- and middle-income countries[J]. Neurosurgery，2022，90(5):605-612. DOI：10.1227/neu.0000000000001898.
[5]	CASTAÑO-LEON A M, LORA D, MUNARRIZ P M，et al. Predicting outcomes after severe and moderate traumatic brain injury：an external validation of impact and crash prognostic models in a large Spanish cohort[J]. J Neurotrauma，2016，33(17):1598-1606. DOI：10.1089/neu.2015.4182.
[6]	FARIED A, SATRIAWAN F C, ARIFIN M Z. Feasibility of online traumatic brain injury prognostic corticosteroids randomisation after significant head injury（CRASH）model as a predictor of mortality[J]. World Neurosurg，2018，116:e239-245. DOI：10.1016/j.wneu.2018.04.180.
[7]	WONGCHAREON K, THOMPSON H J, MITCHELL P H，et al. IMPACT and CRASH prognostic models for traumatic brain injury：external validation in a South-American cohort[J]. Inj Prev，2020，26(6):546-554. DOI：10.1136/injuryprev-2019-043466.
[8]	MANGAT H S, WU X, GERBER L M，et al. Severe traumatic brain injury management in Tanzania：analysis of a prospective cohort[J]. J Neurosurg，2021，135(4):1190-1202. DOI：10.3171/2020.8.JNS201243.
[9]	JIANG J Y, GAO G Y, FENG J F，et al. Traumatic brain injury in China[J]. Lancet Neurol，2019，18(3):286-295. DOI：10.1016/S1474-4422(18)30469-1.
[10]	HAWRYLUK G W J, RUBIANO A M, TOTTEN A M，et al. Guidelines for the management of severe traumatic brain injury：2020 update of the decompressive craniectomy recommendations[J]. Neurosurgery，2020，87(3):427-434. DOI：10.1093/neuros/nyaa278.
[11]	MAAS A I R, MENON D K, ADELSON P D，et al. Traumatic brain injury：integrated approaches to improve prevention，clinical care，and research[J]. Lancet Neurol，2017，16(12):987-1048. DOI：10.1016/S1474-4422(17)30371-X.
[12]	孙涛涛，贾少微，胡疏，等. 神经分子影像学在外伤性脑损伤中的研究进展[J]. 中华行为医学与脑科学杂志，2010，19(6):575-576. DOI：10.3760/cma.j.issn.1674-6554.2010.06.035.
[13]	LINGSMA H F, ROOZENBEEK B, STEYERBERG E W，et al. Early prognosis in traumatic brain injury：from prophecies to predictions[J]. Lancet Neurol，2010，9(5):543-554. DOI：10.1016/S1474-4422(10)70065-X.
[14]	DIJKLAND S A, FOKS K A, POLINDER S，et al. Prognosis in moderate and severe traumatic brain injury：a systematic review of contemporary models and validation studies[J]. J Neurotrauma，2020，37(1):1-13. DOI：10.1089/neu.2019.6401.
[15]	EAGLE S R, PEASE M, NWACHUKU E，et al. Prognostic models for traumatic brain injury have good discrimination but poor overall model performance for predicting mortality and unfavorable outcomes[J]. Neurosurgery，2023，92(1):137-143. DOI：10.1227/neu.0000000000002150.
[16]	XU L J, AN T T, LI C J，et al. Development and verification of prognostic prediction models for patients with brain trauma based on coagulation function indexes[J]. J Immunol Res，2022，2022:3876805. DOI：10.1155/2022/3876805.
[17]	FARIED A, SATRIAWAN F C, ARIFIN M Z. Feasibility of online traumatic brain injury prognostic corticosteroids randomisation after significant head injury（CRASH）model as a predictor of mortality[J]. World Neurosurg，2018，116:e239-245. DOI：10.1016/j.wneu.2018.04.180.
[18]	HARRISON D A, GRIGGS K A, PRABHU G，et al. External validation and recalibration of risk prediction models for acute traumatic brain injury among critically ill adult patients in the United Kingdom[J]. J Neurotrauma，2015，32(19):1522-1537. DOI：10.1089/neu.2014.3628.
[19]	WAN X Y, ZHAO K, WANG S，et al. Is it reliable to predict the outcome of elderly patients with severe traumatic brain injury using the IMPACT prognostic calculator?[J]. World Neurosurg，2017，103:584-590. DOI：10.1016/j.wneu.2017.04.069.

项目	数值
性别（男/女，例）	146/64
年龄（岁）	54.0±17.4
受伤方式[例（%）]
道路交通事故	95（45.2）
坠落高度>2 m	38（18.1）
摔倒	60（28.6）
其他	17（8.1）
心率[M（P₂₅，P₇₅），次/min]	88（75，102）
呼吸[M（P₂₅，P₇₅），次/min]	20（16，21）
收缩压[M（P₂₅，P₇₅），mmHg]	130（114，152）
舒张压[M（P₂₅，P₇₅），mmHg]	80（67，88）
受伤到入院时间[M（P₂₅，P₇₅），h]	1（1，2）
GCS[M（P₂₅，P₇₅），分]	8（4，11）
ISS评分[M（P₂₅，P₇₅），分]	26（20，33）
AIS评分[M（P₂₅，P₇₅），分]	4（3，4）
颅外重大损伤[例（%）]	92（43.8）
瞳孔反射[例（%）]
双侧瞳孔反射存在	132（62.9）
单侧瞳孔反射存在	10（4.8）
双侧瞳孔反射消失	68（32.4）
运动评分[例（%）]
1分	42（20.0）
2分	29（13.8）
3分	41（19.5）
4分	54（25.7）
5分	42（20.0）
6分	2（1.0）
缺氧[例（%）]	50（23.8）
低血压[例（%）]	34（16.2）
Marshall CT分级[例（%）]
Ⅰ级	12（5.7）
Ⅱ级	63（30.0）
Ⅲ/Ⅳ级	42（20.0）
Ⅴ/Ⅵ级	93（44.3）
蛛网膜下腔出血[例（%）]	193（91.9）
硬膜外血肿[例（%）]	80（38.1）
14 d死亡[例（%）]	57（27.1）
6个月GOS结局[例（%）]
1分	81（38.6）
2分	13（6.1）
3分	31（14.8）
4分	43（20.5）
5分	42（20.0）

项目	数值
性别（男/女，例）	146/64
年龄（岁）	54.0±17.4
受伤方式[例（%）]
道路交通事故	95（45.2）
坠落高度>2 m	38（18.1）
摔倒	60（28.6）
其他	17（8.1）
心率[M（P₂₅，P₇₅），次/min]	88（75，102）
呼吸[M（P₂₅，P₇₅），次/min]	20（16，21）
收缩压[M（P₂₅，P₇₅），mmHg]	130（114，152）
舒张压[M（P₂₅，P₇₅），mmHg]	80（67，88）
受伤到入院时间[M（P₂₅，P₇₅），h]	1（1，2）
GCS[M（P₂₅，P₇₅），分]	8（4，11）
ISS评分[M（P₂₅，P₇₅），分]	26（20，33）
AIS评分[M（P₂₅，P₇₅），分]	4（3，4）
颅外重大损伤[例（%）]	92（43.8）
瞳孔反射[例（%）]
双侧瞳孔反射存在	132（62.9）
单侧瞳孔反射存在	10（4.8）
双侧瞳孔反射消失	68（32.4）
运动评分[例（%）]
1分	42（20.0）
2分	29（13.8）
3分	41（19.5）
4分	54（25.7）
5分	42（20.0）
6分	2（1.0）
缺氧[例（%）]	50（23.8）
低血压[例（%）]	34（16.2）
Marshall CT分级[例（%）]
Ⅰ级	12（5.7）
Ⅱ级	63（30.0）
Ⅲ/Ⅳ级	42（20.0）
Ⅴ/Ⅵ级	93（44.3）
蛛网膜下腔出血[例（%）]	193（91.9）
硬膜外血肿[例（%）]	80（38.1）
14 d死亡[例（%）]	57（27.1）
6个月GOS结局[例（%）]
1分	81（38.6）
2分	13（6.1）
3分	31（14.8）
4分	43（20.5）
5分	42（20.0）

模型	评估结局	AUC（95%CI）	P值	最佳截断值	约登指数	灵敏度	特异度
核心模型	6个月GOS预后不良	0.807（0.747~0.866）	<0.001	0.712	0.535	0.878	0.657
	6个月死亡	0.868（0.816~0.919）	<0.001	0.500	0.599	0.725	0.874
CT模型	6个月GOS预后不良	0.843（0.789~0.897）	<0.001	0.745	0.617	0.927	0.690
	6个月死亡	0.896（0.851~0.941）	<0.001	0.585	0.646	0.761	0.885
实验室模型	6个月GOS预后不良	0.845（0.793~0.897）	<0.001	0.642	0.505	0.809	0.696
	6个月死亡	0.892（0.850~0.935）	<0.001	0.485	0.580	0.709	0.871

模型	评估结局	AUC（95%CI）	P值	最佳截断值	约登指数	灵敏度	特异度
核心模型	6个月GOS预后不良	0.807（0.747~0.866）	<0.001	0.712	0.535	0.878	0.657
	6个月死亡	0.868（0.816~0.919）	<0.001	0.500	0.599	0.725	0.874
CT模型	6个月GOS预后不良	0.843（0.789~0.897）	<0.001	0.745	0.617	0.927	0.690
	6个月死亡	0.896（0.851~0.941）	<0.001	0.585	0.646	0.761	0.885
实验室模型	6个月GOS预后不良	0.845（0.793~0.897）	<0.001	0.642	0.505	0.809	0.696
	6个月死亡	0.892（0.850~0.935）	<0.001	0.485	0.580	0.709	0.871

模型	评估结局	AUC（95%CI）	P值	最佳截断值	约登指数	灵敏度	特异度
基本模型	6个月GOS预后不良	0.747（0.682~0.813）	<0.001	0.987	0.509	0.940	0.569
	14 d死亡	0.791（0.723~0.860）	<0.001	0.851	0.429	0.547	0.882
CT模型	6个月GOS预后不良	0.766（0.703~0.829）	<0.001	0.982	0.463	0.851	0.612
	14 d死亡	0.797（0.728~0.865）	<0.001	0.893	0.420	0.539	0.881