本文对基于人工智能（AI）的预测工具在创伤性脑损伤继发并发症和临床结局中的应用进行了叙述性综述，评估了五个并发症领域内证据的成熟度，并指出了临床实施中的关键障碍。
综述文章
本文对基于人工智能（AI）的预测工具在创伤性脑损伤继发并发症和临床结局中的应用进行了叙述性综述，评估了五个并发症领域内证据的成熟度，并指出了临床实施中的关键障碍。
中重度创伤性脑损伤（TBI）后的继发性并发症——包括颅内压升高（ICP）、创伤后癫痫发作、创伤诱导的凝血功能障碍（TIC）以及脓毒症——显著恶化患者的预后。目前的预后评估工具仅能在入院时估算总体死亡率和致残率，无法预测住院期间可能出现的特定、可治疗的并发症。本篇叙述性综述评估了基于人工智能（AI）的预测工具是否能够满足这一尚未被满足的临床需求，评价了五个预测领域的证据成熟度，并确定了未来研究的重点方向。通过在PubMed、Embase和Web of Science数据库中进行针对性文献检索（时间范围为2016年1月至2025年10月），并辅以手动追踪参考文献，筛选出与AI或机器学习（ML）用于预测TBI患者继发性并发症或临床结局相关的研究。基于AI的模型在预测ICP危象、TIC、脓毒症和死亡率方面表现出中等（受试者工作特征曲线下面积[AUC]为0.70–0.79）至良好（AUC ≥ 0.80）的预测准确性。癫痫发作的预测证据最为薄弱，尚无任何外部验证研究。ICP预测的证据基础最为充分，已有外部验证和独立重复研究支持。死亡率预测的证据数量最多，已实现国际多数据集验证。然而，关键的方法学局限性仍然存在：大多数模型基于回顾性、单中心数据构建；仅有约三分之一的模型经过外部验证；且尚无随机对照试验证明AI指导的决策可改善患者结局。AI预测工具有望用于预测TBI继发性并发症，但现有证据尚不足以支持其在临床中的常规应用。在推广应用前，这些工具需经过严格的外部验证、前瞻性结局试验以及在不同人群中的系统性公平性评估。
创伤性脑损伤（TBI）是全球范围内导致死亡和长期残疾的主要原因，每年约有6900万例新发病例1,2。TBI 是45岁以下人群死亡和残疾的首要原因，给医疗保健、社会经济及社会整体带来沉重负担1,2,3。在TBI的病理生理学中，一个基本区分是原发性损伤——即撞击瞬间发生的直接机械性损害——与继发性损伤，后者在数小时至数天内通过一系列级联反应逐步发展，包括脑水肿、缺血、兴奋性毒性及神经炎症等过程3,4。与原发性损伤不同，继发性损伤机制在理论上是可调节的治疗靶点。这些过程引发的继发性并发症——包括颅内压（ICP）升高、创伤后癫痫、创伤性凝血病（TIC）和脓毒症——常常决定患者的最终临床转归3,5,6。临床上的根本挑战在于，在这些并发症尚未显现之前，识别出哪些患者将发生此类问题，从而实现更早、更有针对性的预防性干预。
目前，临床医生使用格拉斯哥昏迷评分（GCS）评估意识状态，通过CT成像表征结构性损伤，并利用创伤性脑损伤国际预后与临床试验分析任务组（IMPACT）和重大头部损伤后皮质类固醇随机化（CRASH）计算器来估计6个月死亡率及不良预后7,8。尽管这些工具在临床上具有重要价值，但它们存在共同的重要局限性：仅依赖入院时的数据，预设预测因子与结局之间为线性关系，且设计初衷是预测死亡或长期残疾，而非住院期间可能出现的特定、可干预的并发症6,7,8。人工智能（AI）是一个涵盖机器学习（ML）的广泛领域，后者是一类能够从数据中学习预测模式的算法，AI可分析大规模变量间的复杂非线性关系，并整合持续更新的生理监测数据流5,6,7。这些能力表明，AI可能检测到常规临床评估难以发现的、即将恶化的细微前兆信号。2022年《柳叶刀·神经病学》（Lancet Neurology）关于创伤性脑损伤的委员会报告明确将高级预后分析技术列为研究与临床发展的优先方向3，这一方向也在2017年该领域的研究路线图中被提出9。本篇叙述性综述旨在考察AI在预测继发性创伤性脑损伤并发症和临床结局方面的现有证据，评估不同并发症领域证据的成熟度，并明确在这些工具能够被负责任地转化为临床实践之前尚需实现的关键目标。
既往已有数项系统性综述评估了人工智能在创伤性脑损伤（TBI）预后预测中的应用5,6。Malhotra 等人5的系统性综述纳入了39项研究，主要关注基于入院时变量对死亡率和整体功能障碍的预测。Courville 等人6则对用于预测TBI预后的机器学习算法进行了荟萃分析。本综述的独特之处在于，其明确聚焦于住院期间可独立识别且具有临床干预意义的继发性并发症（颅内压危象、癫痫发作、凝血功能障碍和脓毒症）作为具体的预测目标。通过围绕各类并发症的特异性预测，并关注各领域技术的成熟度与临床可操作性，本综述提供了一种以临床医生为导向的评估视角，而这是既往以综合结局为分析重点的研究所未突出的。
访问受限。请登录或开始试用以查看此内容。
检索策略与研究筛选
在 PubMed、Embase 和 Web of Science 数据库中进行了有针对性的非系统性文献检索，时间范围为 2016 年 1 月至 2025 年 10 月。选择 2016 年作为起始时间，旨在涵盖深度学习研究兴起之前的机器学习基础性文献，同时保持研究的时效性；该时间点的选择特别基于纳入了 Myers 等人（2016）10 这一开创性研究，该研究确立了基于机器学习的颅内压（ICP）预测的核心方法学框架。此外，通过人工筛查已确定的系统综述和原始研究的参考文献列表，对检索结果进行了补充。
检索词通过布尔运算符组合，包括：“traumatic brain injury”、“TBI”、“artificial intelligence”、“machine learning”、“deep learning”、“neural network”、“intracranial pressure”、“seizure”、“coagulopathy”、“sepsis”、“ventilator-associated pneumonia”、“outcome prediction”和“prognostication”。
纳入标准：
（1）原始研究或已发表的系统性综述；（2）聚焦于人工智能（AI）或机器学习（ML）对TBI患者继发性并发症或临床结局的预测；（3）报告至少一项定量性能指标（例如AUC、敏感性/特异性、准确率）；（4）发表在经同行评审的期刊或被收录的会议论文集中，且全文可获取。
排除标准：
（1）仅采用传统统计模型而未包含人工智能（AI）或机器学习（ML）组件的研究；（2）仅限于损伤严重程度分类或原发性损伤特征描述，而未对并发症或结局进行预测的研究；（3）临床前（动物）或体外研究；（4）不包含与目标预测内容相关原始数据的综述类文章。
在五个预测领域中，优先根据方法学质量、验证方法的多样性及临床相关性，选取了十五项主要研究作为代表性示例。通过手动追踪参考文献，额外识别出两项颅内压（ICP）预测研究，并纳入以更全面地覆盖该领域。由于本综述为叙述性综述而非系统性综述，研究选择旨在实现代表性覆盖而非穷尽式列举，因此无法完全排除选择偏倚。未对单个研究采用正式的质量评估或偏倚风险评估工具（如 PROBAST 或 TRIPOD 报告清单），此局限性在“局限性”部分予以说明。
预测继发性并发症的临床重要性
创伤性脑损伤（TBI）后的继发性并发症较为常见，若能及时干预，通常可以预防，并对临床结局产生深远影响3,5。了解每种并发症的临床背景，有助于阐明预测工具为何可能在重症监护实践中发挥变革性作用。颅内压（ICP）升高是严重TBI后最具后果性且时间紧迫性最高的并发症之一4,10。当ICP持续超过20–22 mmHg时，脑灌注压下降，继发性缺血性损伤随之扩散4。若临床医生能够可靠地在ICP危象发生前进行预测，便可主动优化头部体位、调整镇静剂量、给予渗透疗法或准备外科减压手术——从而实现从被动应对危机向预防性干预的转变，有望显著减轻继发性缺血性损伤的负担10,11。
早期创伤后癫痫发作可通过增加代谢需求、持续的兴奋性毒性以及皮质扩布性去极化的传播导致继发性损伤。准确的风险分层有助于指导预防性抗癫痫药物治疗的决策、持续脑电图（EEG）监测的启动阈值以及癫痫监测的强度12,13。创伤性凝血病（TIC）可影响高达60%的重度创伤性脑损伤（TBI）患者，并与死亡风险增加三至四倍相关14,15,16。早期识别凝血功能障碍患者可在出血恶化前实施针对性的凝血纠正治疗。长时间重症监护、机械通气和有创监测显著增加感染风险，而基于人工智能的预测工具17,18有望实现基于风险分层的感染预防方案，从而有效降低感染性并发症的发生率。在所有这些领域中，准确的预测还有助于确定治疗强度、指导家属沟通、康复计划制定以及关于治疗目标的讨论5,7,19。
基于人工智能预测的当前证据
过去十年中，关于人工智能在创伤性脑损伤（TBI）中预测作用的研究已显著扩展5,6,7。Courville 等人开展的系统综述与荟萃分析表明，机器学习算法在预测不良 TBI 预后方面可优于传统的逻辑回归模型，其中入院时格拉斯哥昏迷评分（GCS）、患者年龄以及选定的血清生物标志物被确定为最具一致性的关键预测特征6。Malhotra 等人进行的全面系统综述涵盖了39项研究和592,323名患者，证实最强的预测因素——年龄、GCS评分、瞳孔反应和CT影像结果——与经验丰富的临床医生在临床判断中已使用的特征高度重叠5,7。当人工智能模型仅限于使用与传统计算器相同的入院阶段变量时，其准确性提升可能较为有限6。然而，当能够获取更丰富、纵向的数据流时——如连续生理监测趋势、系列实验室检测结果以及定量神经影像数据——人工智能方法相较于传统工具可能展现出更大优势。这五个领域内代表性研究的特征及验证策略总结于表1中，概念性预测流程如图1所示。
颅内压预测
在所有继发性并发症领域中，颅内压（ICP）预测已积累了最坚实的证据基础。人工智能系统可提前约30分钟预测危险的颅内压升高，从而为预防性干预提供潜在的可操作时间窗10,11。Myers 等人建立了一种基础性方法，利用机器学习从连续的重症监护室监测波形中预测颅内压和脑组织氧分压（PbtO₂）危象10。Carra 等人随后开发并对外部验证了基于机器学习的模型，用于预测有害的累积性颅内压剂量，所用数据来自“欧洲神经创伤有效性研究合作项目”（CENTER-TBI）数据集，证明了其在不同中心之间具有良好的泛化能力11。Lee 等人开发了一种混合卷积神经网络（CNN）–长短期记忆（LSTM）架构，应用于连续的颅内压波形数据，在个体患者内部实现了准确的颅内压变化轨迹预测20。Mataczyński 等人提出了一种基于可解释性 TabNet 模型组的方法，应用于多模态生理信号衍生的指标，在提前30分钟预测颅内压危象时达到了高召回率（0.94），优于传统的基于阈值的预测方法21。该领域得益于多项独立重复研究、外部验证，以及早期预测结果在临床干预可行性方面的明确生理学依据。
创伤后癫痫发作预测
对于创伤后癫痫发作，采用神经影像学和基于脑电图（EEG）特征的研究在识别高风险患者方面表现出中等程度的区分能力12,13。Garner 等人将随机森林分类器应用于创伤性脑损伤（TBI）患者的静息态功能磁共振成像（fMRI）连接数据，在交叉验证中预测癫痫易感性的原始准确率为69%12。Faghihpirayesh 等人则将深度学习应用于急性TBI患者的EEG数据，以检测癫痫样异常，报告的敏感度为0.78，特异度为0.8413。这些结果需要进行严格的方法学评估：早期创伤后癫痫发作发生在约4%–15%的重度TBI患者中22,23，导致预测数据集存在显著的类别不平衡问题。在此背景下，69%的准确率相较于一种对所有样本均预测为阴性类别的朴素分类器并无实质性提升；对于此类不平衡的临床预测问题，受试者工作特征曲线下面积（AUC）和精确率-召回率曲线下面积才是更具信息量的性能评估指标，而Garner等人并未报告这些指标。值得注意的是，该领域内的这两项研究均发表于被收录的会议论文集，而非完整的同行评审期刊文章，这进一步凸显了该证据基础的初步性质。目前，癫痫发作预测是证据最不成熟的领域，尚无已发表的外部验证研究，样本量有限，且性能指标需谨慎解读。
创伤性凝血病预测
对于创伤性凝血病（TIC），Yang 等人开发了采用 XGBoost、随机森林和逻辑回归分类器的机器学习模型，在特定创伤性脑损伤队列的内部验证中取得了 0.82–0.85 的 AUC 值24。Li K 等人独立开发了一种用于急诊收治创伤患者急性创伤性凝血病预测的机器学习集成模型，报告的 AUC 为 0.8925。这些互补性研究在部分重叠的患者人群中显示出一致的性能表现。Xiong 等人在 13,235 例普通创伤患者（包括但不限于 TBI 病例）中应用了十种跨中心模型，并在四个独立机构中实现了稳定的外部验证性能26；然而，这些发现是否可特异性推广至 TBI 相关凝血病，仍需在专门的 TBI 队列中进一步评估。凝血病预测的证据成熟度处于中等水平：各研究的内部验证性能一致，但针对 TBI 患者的外部验证——特别是针对影响高达 60% 重度 TBI 患者且使死亡率增加三至四倍的高致死性凝血病表型15,16——仍是尚未填补的空白。
脓毒症与感染预测
Liu 等人开发了一种基于可解释性 XGBoost 的模型，专门用于预测与创伤性脑损伤（TBI）相关的脓毒症，在内部验证中 AUC 达到 0.81，使用 eICU 协作研究数据库进行外部验证时 AUC 为 0.7617。通过 Shapley 加性解释（SHAP）值提供了透明的特征归因，识别出关键的脓毒症预测因子，包括炎症生物标志物和早期临床恶化信号。Hu 等人开发并进行了内部验证的机器学习（ML）模型——涵盖逻辑回归、随机森林和 XGBoost——用于对 TBI 患者在进入重症监护室（ICU）时的 30 天脓毒症风险进行分层，AUC 达到 0.7918。Li 等人利用创伤患者每小时的 MIMIC-IV 数据开发了一种用于脓毒症预测的实时 XGBoost 模型，时间验证证实该模型在 ICU 住院期间保持稳定的预测性能27。Wang 等人使用基于 MIMIC-III 数据库的集成方法，在 TBI 患者中实现了有效的呼吸机相关性肺炎（VAP）预测，AUC 达到 0.8728。其中，Liu 等人的研究提供了经过外部验证的模型，使脓毒症预测领域的文献更具说服力；然而，这四项研究均依赖于回顾性行政或注册数据库，而非前瞻性患者队列，限制了所报告性能评估结果的普适性。
死亡率和功能预后预测
在所综述的各个领域中，死亡率和功能预后预测的证据基础最为广泛且经过了最充分的验证。Pease 等人开发了一种利用头部 CT 扫描的深度学习模型，在内部验证中对死亡率预测的受试者工作特征曲线下面积（AUC）达到 0.92，超过了 IMPACT 模型和神经外科医生的表现29。在使用创伤性脑损伤中的转化研究与临床知识（TRACK-TBI）数据集进行外部验证时，该模型的性能下降至 AUC 为 0.80，这一水平与 IMPACT 模型相当，凸显了内部验证结果普遍存在的高估风险29。Hibi 等人利用 CENTER-TBI 和创伤性脑损伤中的印度神经创伤疗效比较研究（CINTER-TBI）数据集，开发了一种整合临床数据与定量 CT 影像的多模态机器学习预后模型，证明多模态数据融合可提高预测准确性，优于单模态方法30。Warman 等人比较了高收入国家（HIC）与低收入和中等收入国家（LMIC）之间机器学习对死亡率预测的性能，这一分析属于跨人群的泛化能力评估，而非标准的内部或外部验证；在 LMIC 环境中性能下降，突显了与公平性相关的重要局限性31。Raj 等人利用逻辑回归对重症监护室（ICU）动态生理数据建模，实现动态死亡率预测，其 AUC 从监测第 1 天的 0.67–0.72 提升至第 5 天的 0.81–0.84，显示出优于基于入院时静态模型的性能32。这些研究共同构成了 TBI 领域人工智能预测最成熟的证据基础，并实现了多次成功的国际外部验证。
关键评估与实施障碍
预测区分度与临床效用
一个基本区别——在已发表的文献中常被混淆——是预测区分能力与临床效用证据之间的区分。预测区分能力通过受试者工作特征曲线下面积（AUC）来量化，用于衡量模型按风险对患者进行排序的能力；但它并不能确定依据这些预测采取行动是否能改善临床结局。为了负责任地实施临床应用，需要完整的证据链：（1）校准性，确认预测概率与实际观察到的事件发生率相一致；（2）决策曲线分析（DCA），证明在一系列决策阈值下具有净临床获益；（3）前瞻性——理想情况下为随机对照——证据，表明由算法指导的临床干预可转化为以患者为中心的结局改善。目前尚无已发表的创伤性脑损伤人工智能预测研究完成这一完整的证据链，这是该领域最关键的证据空白。
验证与方法学严谨性
在解读所综述研究中报告的AUC值时，必须充分认识到其中存在的重大方法学局限性5,33。大多数已发表的模型缺乏在独立数据集上的外部验证；根据Malhotra等人综述的39项研究，仅有约三分之一进行了外部验证5。应用APPRAISE-AI定量评估工具发现，该领域文献在方法学实施（中位得分35%）、结果稳健性（20%）和可重复性（35%）方面得分最低5。目前尚无随机对照试验能够证明，由人工智能指导的临床决策可改善患者预后——这一关键证据空白无法仅通过回顾性准确性指标来弥补。
校准、类别不平衡与基线对照
除了区分度之外，还存在若干其他方法学缺陷，限制了已发表研究结果的可解释性。校准性很少被评估或报告；一个区分度良好但校准性差的模型可能会系统性地误判绝对风险，从而可能误导临床决策。类别不平衡是并发症预测中的普遍挑战：诸如创伤后癫痫等罕见事件导致数据集中负性观察值占主导地位，这会虚增准确率指标，却未提供有意义的预测价值。针对类别不平衡的应对策略——包括过采样、代价敏感学习和决策阈值调整——报告情况参差不齐。与强有力的逻辑回归基线模型的比较评估常常被省略，使得难以判断性能提升反映的是真正的机器学习特有优势，还是仅仅得益于充分的特征工程。在所审查的研究中，仅有不到五分之一的研究通过决策曲线分析（DCA）显示出净临床获益。
可解释性
许多高性能的人工智能模型如同“黑箱”，仅提供预测结果而缺乏可解释的推理依据5,6,33,34。London 探讨了医学人工智能中准确性与可解释性之间的理论权衡，指出医学领域中不透明的决策过程早已普遍存在，因此对可解释性的期望可能需要重新调整33。Hassija 等人对适用于临床环境的可解释人工智能方法进行了全面的技术综述35。Ghassemi 等人则提出相反观点，认为当前的可解释人工智能方法可能在并未实质性提升个体患者决策质量的情况下，给人以安全性和责任性已得到保障的错误信心36。临床医生有理由对无法独立评估的输出持谨慎态度，而人工智能影响下的决策所带来的医学法律后果在大多数司法管辖区仍未明确。
基础设施、整合与警报疲劳
实际部署需要计算基础设施、数据集成管道以及系统维护能力，而许多机构——特别是在资源有限的环境中——目前尚不具备这些条件5。实时预测系统必须经过仔细校准，以在灵敏度和特异性之间取得平衡，避免警报疲劳，后者是重症监护环境中对患者安全有明确记录威胁的问题。与现有电子健康记录平台的集成面临显著的互操作性、延迟和工作流中断挑战，而这些问题在已发表的算法开发研究中很少得到解决。
公平性与普适性
在非代表性数据集上训练的AI系统可能在不同患者亚组间表现不均，甚至可能造成危害5,31。大多数被评估的模型均基于高收入国家学术医疗中心的数据开发，存在地理、机构和人口学方面的性能偏差风险5。Warman等人明确指出了这一问题，证实了在高收入国家（HIC）训练的模型应用于中低收入国家（LMIC）环境时，其性能出现可测量的下降31。目前尚无任何被评估的研究正式评估模型在年龄、性别、种族或民族等人口学亚组间的性能差异，而鉴于全球创伤性脑损伤救治中心所服务人群的高度多样性，这一缺失构成了根本性的缺陷。
不同预测领域的证据成熟度比较
所综述的五个预测领域在证据成熟度方面存在显著差异。颅内压（ICP）预测具有最坚实的基础：得益于奠基性研究、使用CENTER-TBI数据进行的外部验证、多个研究团队的独立重复验证，以及一个表述清晰、生理机制上合理的临床工作流程来指导预测结果的应用。死亡率和功能预后预测的已发表文献数量最多，已有多项利用TRACK-TBI、CENTER-TBI和CINTER-TBI数据集开展的国际性外部验证研究。凝血功能障碍预测在内部验证中表现出稳定性能，但目前文献中仍缺乏针对创伤性脑损伤（TBI）人群的外部验证。脓毒症预测至少有一个经过外部验证的模型（Liu等），但其依赖行政数据库的特性限制了对性能泛化能力的信心。癫痫发作预测的证据基础最为薄弱：尚无任何外部验证研究，现有研究样本量小，且类别不平衡问题严重限制了报告性能指标的可解释性。这种证据成熟度的差异直接影响未来科研投入的优先顺序，也决定了在讨论任何临床转化前景时应保持的谨慎程度。
未来方向与研究重点
在不同临床环境中进行严格的事先注册的外部验证，是当前最紧迫的研究优先事项5,6。诸如 CENTER-TBI 和 TRACK-TBI 等多机构研究框架为此类验证提供了成熟的模板和基础设施29,30。需要开展前瞻性研究，包括设有 AI 指导干预组的随机平台试验，以确定这些工具是否能在标准治疗基础上显著改善患者预后5。开发能够提供临床可解释、针对具体病例的解释性信息的 AI 系统，将显著增强临床医生的信任，识别系统失效模式，并促进监管审批5,6,33,34。方法学上的改进——包括标准化的校准评估、将决策曲线分析（DCA）作为必需的性能指标、透明处理类别不平衡问题，以及与强有力的临床基线模型进行比较——应成为最低报告标准。在提出任何广泛的临床推荐之前，必须开展专门设计的研究，以评估预测模型在不同人口学和地理亚组中的性能表现5,31。发表此类研究的期刊应强制要求采用 TRIPOD 报告规范以提高预测模型的透明度，并采用 PROBAST 偏倚风险评估工具，以提升研究的可重复性和可比性。
伦理考量
将人工智能预测工具整合到重症监护医学中所引发的伦理问题，远远超出了技术性能指标的范畴5,33。公平性问题是核心所在：若模型的训练数据未能代表整体患者人群，则可能系统性地损害代表性不足群体患者的权益，进而加剧而非缩小创伤性脑损伤（TBI）预后现有的不平等现象。负责任的工具开发要求在部署前必须有意识地进行多样化数据训练，并开展亚组性能评估。人工智能影响下的临床决策所涉及的透明度与问责机制仍悬而未决：当人工智能建议导致不良后果时，现有法律和监管框架尚未充分解决责任归属和知情同意等问题33,34。医疗机构在实施过程中，还负有进一步的伦理责任，包括让患者及其家属参与人工智能部署决策，以及清晰传达人工智能预测所固有的概率性和不确定性。
本综述的局限性
本综述存在若干局限性，需明确指出。第一，由于本综述为叙述性综述而非系统性综述，未采用正式的文献检索方案、PRISMA流程图记录或全面的研究列举；研究的筛选基于代表性覆盖原则，因此无法排除选择偏倚的可能性。第二，未对所纳入的单个研究应用正式的研究质量或偏倚风险评估工具（如PROBAST或TRIPOD报告清单），这限制了对证据质量得出可靠结论的能力。第三，该领域文献更新迅速，2025年10月检索截止后发表的研究可能已部分解决本文指出的某些局限性。第四，发表偏倚可能导致现有文献中人工智能模型的预测准确性被高估，因为预测性能较差的研究系统性地更难获得发表。第五，各研究之间在结局定义、患者人群构成、数据来源及性能指标方面的异质性，限制了研究间的直接比较以及荟萃分析的综合评估。
访问受限。请登录或开始试用以查看此内容。
人工智能预测工具在临床表现出现之前预测继发性创伤性脑损伤（TBI）并发症方面展现出真实潜力5,6,7。涵盖五个并发症领域的代表性研究显示，预测准确性从适中（AUC 0.70–0.79）到良好（AUC ≥ 0.80）不等，表现最优的模型在内部验证中AUC值高达0.92（外部验证AUC通常为0.76–0.80）5,6,10,17,24,29。在所审查的各个领域中，颅内压（ICP）预测的证据基础最为成熟，而癫痫发作预测的证据最少。在所有领域中，回顾性预测准确性与已证实...
访问受限。请登录或开始试用以查看此内容。
作者声明无利益冲突。商业实体在研究设计、结果解读或决定投稿发表方面均未发挥任何作用。
作者未获得此项工作的特定资助。
访问受限。请登录或开始试用以查看此内容。
申请许可以重复使用本 JoVE 文章的文本或图表
申请许可