Development and Improvement of Nomograms Predicting the Prognosis in Patients with Severe Multiple Trauma

doi:10.12114/j.issn.1007-9572.2022.0113

Abstract

Abstract:

Background

Severe multiple trauma prevalence has been increasing recently, which has become the leading cause of labor force loss. Early and rapid assessment of patients' conditions will greatly affect their prognosis, which could be significantly supported by a concise and effective visual scoring system.

Objective

To identify and Screen the prognostic factors of severe multiple trauma, and use them to develop two nomograms, then improve them, and verify their clinical application values.

Methods

Patients with severe multiple trauma were recruited from the general ICU and EICU, Suzhou Ninth People's Hospital, including 321 treated during December 2015 to December 2020 (model group) , and 136 treated during January to August 2021 (validation group) . General data at admission and clinical data within 24 hours of admission were retrospectively collected. Prognosis (successful or unsuccessful treatment result) was assessed at discharge. Prognostic factors of severe multiple trauma were Screened using univariate and LASSO regression, and used to develop models using multivariate Logistic regression with restricted cubic splines, then based on this, two nomograms were developed, and their calibration accuracies were estimated using the bootstrap approach and decision curve analysis (DCA) . The receiver operating characteristic (ROC) analysis with associated AUC values was used to estimate the prognostic value of two nomograms in severe multiple trauma. External verification of the nomograms was carried out in the validation group to evaluate their clinical application values.

Results

(1) In the model group, successful and unsuccessful treatment results occurred in 244 and 77 cases, respectively. LASSO regression with multivariate Logistic regression analyses showed that age (OR=1.028) , Glasgow Coma Score (GCS) (OR=0.616) , arterial lactate (OR=1.202) , platelet count (OR=3.888) and Injury Severity Score (ISS) (OR=1.104) were associated with the prognosis of severe multiple trauma (P<0.05) . Hosmer-Lemeshow test indicated that this model fitted the data well (χ²=2.717, P=0.951) , and was appropriate for developing a static and network-based dynamic nomogram (nomogram 1) . LASSO plus multivariate regression analyses with restricted cubic splines revealed that age and GCS had nonlinear correlation with treatment results (P=0.027, 0.001) , and the fit of this model was satisfactory assessed using Hosmer-Lemeshow test (χ²=2.468, P=0.932) , and was appropriate for developing a static and network-based dynamic nomogram (nomogram 2) . Calibration charts showed that the standard curve fitted well with the probability calibration curves of nomograms 1 and 2 (absolute error=0.010, and 0.019) , indicating that the calibration accuracies of both models were good. The AUC of nomogram 1 in predicting the prognosis of severe multiple trauma was 0.963〔95%CI (0.936, 0.981) 〕with 0.414 was the optimal cut-off value, and that of nomogram 2 was 0.974〔95%CI (0.949, 0.988) 〕 with 0.261 as the optimal cut-off value. Nomogram 2 had a larger AUC value than nomogram 1 (Z=-2.400, P=0.016) . The DCA results showed that under any threshold probability (0-100%) , the net benefit rate of nomogram 2 was higher than that of nomogram 1. (2) In the validation group, successful and unsuccessful treatment results occurred in 104 and 32 cases, respectively. The AUC of nomogram 2 predicting the prognosis of severe multiple trauma was 0.949〔95%CI (0.898, 0.979) 〕. And the model fitted well (χ²=5.813, P=0.668) revealed by Hosmer-Lemeshow test. The AUC of nomogram 2 in predicting the prognosis of severe multiple trauma in model and validation groups had insignificant changes (Z=1.124, P=0.263) .

Conclusion

Age, GCS, arterial lactate, platelet count and ISS were prognostic factors of severe multiple trauma, and the two nomograms in this study based on these five factors had good prognosis predictive value. In particular, the optimized nomogram 2 had higher accuracy (the network-based dynamic version is available at https://yinfxyz.shinyapps.io/dynnomapp2/) , which was rapid, and easy-to-use, and it can help clinicians to identify patients early and improve the prognosis of patients.

Key words: Multiple trauma, Wounds and injuries, Prognosis, Least absolute shrinkage and selection operator regression, Restricted cubic spline, Nomogram, Models, statistical

摘要：

背景

随着社会的发展，创伤导致的严重多发伤患者逐年增多，这对社会劳动力造成的损失已远大于其他疾病。如何早期快速地评估病情将对患者预后产生重要影响，而一个简洁、有效的可视化评估工具可为早期诊断和治疗提供重要依据。

目的

分析和筛选影响严重多发伤患者预后的相关因素，构建列线图模型，进一步调整优化模型，并验证模型的临床应用价值。

方法

选取2015年12月至2020年12月苏州市第九人民医院综合ICU、急诊ICU收治的严重多发伤患者作为建模组人群（n=321），2021年1—8月收治的严重多发伤患者作为预测模型的验证组人群（n=136），两组均根据患者出院时病情分为救治成功和救治失败。回顾性收集患者入院时的一般资料和入院24 h内的临床资料。采用单因素分析、LASSO回归分析筛选影响严重多发伤患者预后的相关变量，运用多因素Logistic回归分析建模、限制性立方样条（RCS）进行优化，绘制列线图，采用Bootstrap方法和临床决策曲线分析（DCA）验证模型的校准度。绘制模型预测严重多发伤患者预后的受试者工作特征（ROC）曲线，利用ROC曲线下面积（AUC）等指标评价新模型。在验证组人群中进行新模型的外部验证，评估其实际临床应用价值。

结果

（1）建模组321例严重多发伤患者中救治成功244例，救治失败77例。LASSO回归结合多因素Logistic回归分析结果显示，年龄（OR=1.028）、格拉斯哥昏迷评分（GCS）（OR=0.616）、动脉血乳酸（LAC）（OR=1.202）、血小板计数（PLT）（OR=3.888）、损伤严重程度评分（ISS）（OR=1.104）是严重多发伤患者预后的影响因素（P<0.05），Hosmer-Lemeshow拟合优度检验结果显示χ²=2.717、P=0.951，绘制静态及网页版动态列线图（即模型1列线图）。LASSO回归结合RCS拟合优化多因素Logistic回归分析结果显示，年龄、GCS与救治结果呈非线性相关，P值（for nonlinear）分别为0.027、0.001，Hosmer-Lemeshow拟合优度检验结果显示χ²=2.468、P=0.932，绘制静态及网页版动态列线图（即模型2列线图）。Bootstrap方法验证模型1、模型2列线图预测效能，校准图显示标准曲线与预测曲线贴合良好，绝对误差分别为0.010、0.019，说明模型的校准度良好。模型1、模型2列线图预测严重多发伤患者预后的AUC分别为0.963〔95%CI（0.936，0.981）〕、0.974〔95%CI（0.949，0.988）〕，最佳截断值分别为0.414、0.261；模型2列线图预测严重多发伤患者预后的AUC大于模型1列线图（Z=-2.400，P=0.016）。DCA结果显示，在任何阈值概率下（0~100%），模型2列线图的净收益率高于模型1列线图。（2）验证组136例严重多发伤患者中救治成功104例，救治失败32例。在验证组人群中，模型2列线图预测严重多发伤患者预后的AUC为0.949〔95%CI（0.898，0.979）〕，Hosmer-Lemeshow拟合优度检验表明该模型拟合良好（χ²=5.813，P=0.668）。模型2列线图在建模组及验证组人群中的AUC比较，差异无统计学意义（Z=1.124，P=0.263）。

结论

年龄、GCS、LAC、PLT、ISS是严重多发伤患者预后的影响因素，本研究基于上述5个因子构建出的列线图具有较好的预测价值，且优化后的模型2列线图准确性更高（网址：https://yinfxyz.shinyapps.io/dynnomapp2/），应用方便快捷，有助于帮助临床医生早期识别患者病情，改善患者预后。

关键词: 多处创伤, 创伤和损伤, 预后, LASSO回归, 限制性立方样条, 列线图, 模型，统计学

Fei YIN,Yun LIU,Xie SHEN. Development and Improvement of Nomograms Predicting the Prognosis in Patients with Severe Multiple Trauma[J]. Chinese General Practice, 2022, 25(20): 2498-2506. DOI: 10.12114/j.issn.1007-9572.2022.0113.
殷菲,刘云,沈勰. 严重多发伤患者预后的影响因素研究及列线图模型的建立和优化[J]. 中国全科医学, 2022, 25(20): 2498-2506. DOI: 10.12114/j.issn.1007-9572.2022.0113.

Figures/Tables 13

References 24

[1]	国家统计局. 中国统计年鉴2020[M]. 北京：中国统计出版社，2020.
[2]	都定元，王建柏. 中国创伤外科发展现状与展望[J]. 创伤外科杂志，2018，20（3）：161-165. DOI：10.3969/j.issn.1009-4237.2018.03.001.
[3]	重庆市急救医疗中心.简明损伤定级标准2005修订本[M].重庆：重庆出版社，2005：1-234.
[4]	JAVALI R H，KRISHNAMOORTHY，PATIL A，et al. Comparison of injury severity score，new injury severity score，revised trauma score and trauma and injury severity score for mortality prediction in elderly trauma patients[J]. Indian J Crit Care Med，2019，23（2）：73-77. DOI：10.5005/jp-journals-10071-23120.
[5]	DEHGHANI TAFTI A，NASIRIANI K，HAJIMAGHSOUDI M，et al. The most common tools to measure trauma severity：a review study[J]. J Disaster Emerg Res，2019，2（2）：115-123. DOI：10.18502/jder.v2i2.1517.
[6]	DE MUNTER L，POLINDER S，LANSINK K W，et al. Mortality prediction models in the general trauma population：a systematic review[J]. Injury，2017，48（2）：221-229. DOI：10.1016/j.injury.2016.12.009.
[7]	SELIVERSTOV P A，SHAPKIN Y G. Assessment of severity and prognosis of polytrauma outcome：the current state of the problem （review）[J]. Sovrem Tehnol Med，2017，9（2）：207. DOI：10.17691/stm2017.9.2.25.
[8]	TRANCA S，PETRISOR C，HAGAU N，et al. Can APACHE II，SOFA，ISS，and RTS severity scores be used to predict septic complications in multiple trauma patients? [J]. J Crit Care Med （Targu Mures），2016，2（3）：124-130. DOI：10.1515/jccm-2016-0019.
[9]	EID H O，ABU-ZIDAN F M. New Injury Severity Score is a better predictor of mortality for blunt trauma patients than the Injury Severity Score[J]. World J Surg，2015，39（1）：165-171. DOI：10.1007/s00268-014-2745-2.
[10]	RANSTAM J，COOK J A. LASSO regression[J]. Br J Surg，2018，105（10）：1348. DOI：10.1002/bjs.10895.
[11]	TEASDALE G，MAAS A，LECKY F，et al. The Glasgow Coma Scale at 40 years：standing the test of time[J]. Lancet Neurol，2014，13（8）：844-854. DOI：10.1016/S1474-4422(14)70120-6.
[12]	GALKOVA K，VRABELOVA M. Normalization of blood lactate as early end-point of polytrauma treatment[J]. Bratisl Lek Listy，2013，114（11）：637-641. DOI：10.4149/bll_2013_136.
[13]	YUCEL N，OZTURK DEMIR T，DERYA S，et al. Potential risk factors for in-hospital mortality in patients with moderate-to-severe blunt multiple trauma who survive initial resuscitation[J]. Emerg Med Int，2018，2018：1-12. DOI：10.1155/2018/6461072.
[14]	MCCULLY S P，SCHREIBER M A. Traumatic brain injury and its effect on coagulopathy[J]. Semin Thromb Hemost，2013，39（8）：896-901. DOI：10.1055/s-0033-1357484.
[15]	LIU C L，XIE J，XIAO X S，et al. Clinical predictors of prognosis in patients with traumatic brain injury combined with extracranial trauma[J]. Int J Med Sci，2021，18（7）：1639-1647. DOI：10.7150/ijms.54913.
[16]	HUBER S，BIBERTHALER P，DELHEY P，et al. Predictors of poor outcomes after significant chest trauma in multiply injured patients：a retrospective analysis from the German Trauma Registry （Trauma Register DGU®）[J]. Scand J Trauma Resusc Emerg Med，2014，22：52. DOI：10.1186/s13049-014-0052-4.
[17]	HADDAD S H，YOUSEF Z M，AL-AZZAM S S，et al. Profile，outcome and predictors of mortality of abdomino-pelvic trauma patients in a tertiary intensive care unit in Saudi Arabia[J]. Injury，2015，46（1）：94-99. DOI：10.1016/j.injury.2014.07.025.
[18]	FATOVICH D M，JACOBS I G，LANGFORD S A，et al. The effect of age，severity，and mechanism of injury on risk of death from major trauma in Western Australia[J]. J Trauma Acute Care Surg，2013，74（2）：647-651. DOI：10.1097/TA.0b013e3182788065.
[19]	HILDEBRAND F，PAPE H C，HORST K，et al. Impact of age on the clinical outcomes of major trauma[J]. Eur J Trauma Emerg Surg，2016，42（3）：317-332. DOI：10.1007/s00068-015-0557-1.
[20]	BALACHANDRAN V P，GONEN M，SMITH J J，et al. Nomograms in oncology：more than meets the eye[J]. Lancet Oncol，2015，16（4）：e173-180. DOI：10.1016/S1470-2045(14)71116-7.
[21]	STEYERBERG E W，VERGOUWE Y. Towards better clinical prediction models：seven steps for development and an ABCD for validation[J]. Eur Heart J，2014，35（29）：1925-1931. DOI：10.1093/eurheartj/ehu207.
[22]	MOONS K G，ALTMAN D G，REITSMA J B，et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis （TRIPOD）：explanation and elaboration[J]. Ann Intern Med，2015，162（1）：W1-73. DOI：10.7326/M14-0698.
[23]	HAN L Y，MO S B，XIANG W Q，et al. Comparison of four lymph node staging systems for predicting prognosis for stageⅣ rectum cancer[J]. Ann Transl Med，2020，8（4）：111. DOI：10.21037/atm.2019.12.90.
[24]	王俊峰，章仲恒，周支瑞，等. 临床预测模型：模型的验证[J]. 中国循证心血管医学杂志，2019，11（2）：141-144. DOI：10.3969/j.issn.1674-4055.2019.02.04.

特征		救治成功（n=244）	救治失败（n=77）	检验统计量值	P值	特征	救治成功（n=244）	救治失败（n=77）	检验统计量值	P值
性别〔n（%）〕				0.983^a	0.321	LAC〔M（P₂₅，P₇₅），mmol/L〕	2.85（1.80，4.50）	5.90（3.50，9.10）	-7.160	<0.001
	男	176（72.13）	51（66.23）			WBC〔M（P₂₅，P₇₅），×10⁹/L〕	12.71（10.27，16.53）	13.54（8.85，18.90）	-0.746	0.455
	女	68（27.87）	26（33.77）			RBC（±s，×10¹²/L）	3.32±0.75	3.02±0.83	2.920^b	0.004
年龄（±s，岁）		50.2±14.9	53.3±16.4	-1.578^b	0.116	Hb（±s，g/L）	101.16±23.42	92.08±25.78	2.896^b	0.004
基础疾病〔n（%）〕						HCT（±s，%）	29.78±6.76	26.87±7.28	3.229^b	0.001
	糖尿病	10（4.10）	3（3.90）	0.006^a	0.937	PLT〔M（P₂₅，P₇₅），×10⁹/L〕	131.5（91.0，177.8）	80.00（51.0，112.0）	-6.574	<0.001
	高血压	45（18.44）	8（10.39）	2.754^a	0.097	TBiL〔M（P₂₅，P₇₅），μmol/L〕	14.05（10.33，18.35）	12.20（8.80，18.10）	-1.623	0.105
院前时间〔M（P₂₅，P₇₅），h〕		1.0（1.0，2.0）	1.0（1.0，2.0）	-2.391	0.017	ALB（±s，g/L）	31.97±5.94	28.48±7.37	4.238^b	<0.001
损伤类型〔n（%）〕				11.802^a	0.038	ALT〔M（P₂₅，P₇₅），U/L〕	41.50（25.00，69.75）	41.00（22.50，120.00）	-0.620	0.535
	交通伤	164（67.21）	53（68.83）			AST〔M（P₂₅，P₇₅），U/L〕	68.00（39.00，121.00）	64.00（41.00，181.00）	-0.797	0.425
	坠落伤	45（18.44）	19（24.68）			LDH〔M（P₂₅，P₇₅），U/L〕	390.50（288.50，565.25）	395.50（308.50，567.00）	-0.777	0.437
	打砸压伤	26（10.66）	1（1.30）			BUN〔M（P₂₅，P₇₅），mmol/L〕	5.71（4.80，7.00）	5.52（4.59，6.67）	-1.084	0.278
	刀刺伤	3（1.23）	0			Scr〔M（P₂₅，P₇₅），mmol/L〕	67.00（55.00，87.75）	72.00（59.50，94.50）	-1.438	0.150
	爆炸伤	2（0.82）	0			Na⁺〔M（P₂₅，P₇₅），mmol/L〕	141.00（139.00，143.00）	140.00（137.00，144.00）	-0.636	0.525
	其他原因	4（1.64）	4（5.19）			K⁺〔M（P₂₅，P₇₅），mmol/L〕	3.46（3.17，3.84）	3.32（2.80，3.64）	-2.948	0.003
GCS〔M（P₂₅，P₇₅），分〕		15（10，15）	4（3，5）	-11.600	<0.001	CK〔M（P₂₅，P₇₅），U/L〕	623.0（355.0，1113.2）	369.0（251.0，660.0）	-3.972	<0.001
休克〔n（%）〕				21.473^a	<0.001	CK-MB〔M（P₂₅，P₇₅），U/L〕	47.0（29.0，90.0）	108.5（52.5，169.5）	-6.621	<0.001
	是	127（52.05）	63（81.82）			cTnI〔M（P₂₅，P₇₅），ng/L〕	0.03（0.01，0.22）	0.34（0.08，0.87）	-5.929	<0.001
	否	117（47.95）	14（18.18）			MYO〔M（P₂₅，P₇₅），ng/L〕	1 000.00（370.28，1 200.00）	479.80（261.40，1 131.15）	-2.506	0.012
MAP（±s，mm Hg）		78±20	80±28	-0.449^b	0.654	TT〔M（P₂₅，P₇₅），s〕	18.25（16.40，20.18）	20.20（17.60，24.35）	-4.380	<0.001
T〔M（P₂₅，P₇₅），℃〕		36.2（36.0，36.5）	36.0（36.0，36.5）	-1.861	0.063	PT〔M（P₂₅，P₇₅），s〕	12.50（11.60，13.70）	13.20（12.25，15.80）	-4.117	<0.001
R〔M（P₂₅，P₇₅），次/min〕		20（18，23）	18（15，24）	-3.250	0.001	APTT〔M（P₂₅，P₇₅），s〕	26.40（23.30，30.98）	34.60（26.35，44.85）	-5.427	<0.001
P〔M（P₂₅，P₇₅），次/min〕		92（78，110）	104（80，122）	-2.359	0.018	Fib〔M（P₂₅，P₇₅），g/L〕	1.49（1.20，2.00）	1.14（0.85，1.55）	-4.987	<0.001
pH值〔M（P₂₅，P₇₅）〕		7.37（7.33，7.40）	7.34（7.23，7.39）	-3.243	0.001	D-D〔M（P₂₅，P₇₅），mg/L〕	21.20（9.21，48.62）	40.00（14.33，112.25）	-3.707	<0.001
PaO₂〔M（P₂₅，P₇₅），mm Hg〕		106（75，158）	138（71，194）	-1.683	0.092	ISS〔M（P₂₅，P₇₅），分〕	27.0（22.0，33.0）	41.0（33.0，45.0）	-8.854	<0.001
PaCO₂〔M（P₂₅，P₇₅），mm Hg〕		39（35，41）	37（31，44）	-0.990	0.322

特征		救治成功（n=244）	救治失败（n=77）	检验统计量值	P值	特征	救治成功（n=244）	救治失败（n=77）	检验统计量值	P值
性别〔n（%）〕				0.983^a	0.321	LAC〔M（P₂₅，P₇₅），mmol/L〕	2.85（1.80，4.50）	5.90（3.50，9.10）	-7.160	<0.001
	男	176（72.13）	51（66.23）			WBC〔M（P₂₅，P₇₅），×10⁹/L〕	12.71（10.27，16.53）	13.54（8.85，18.90）	-0.746	0.455
	女	68（27.87）	26（33.77）			RBC（±s，×10¹²/L）	3.32±0.75	3.02±0.83	2.920^b	0.004
年龄（±s，岁）		50.2±14.9	53.3±16.4	-1.578^b	0.116	Hb（±s，g/L）	101.16±23.42	92.08±25.78	2.896^b	0.004
基础疾病〔n（%）〕						HCT（±s，%）	29.78±6.76	26.87±7.28	3.229^b	0.001
	糖尿病	10（4.10）	3（3.90）	0.006^a	0.937	PLT〔M（P₂₅，P₇₅），×10⁹/L〕	131.5（91.0，177.8）	80.00（51.0，112.0）	-6.574	<0.001
	高血压	45（18.44）	8（10.39）	2.754^a	0.097	TBiL〔M（P₂₅，P₇₅），μmol/L〕	14.05（10.33，18.35）	12.20（8.80，18.10）	-1.623	0.105
院前时间〔M（P₂₅，P₇₅），h〕		1.0（1.0，2.0）	1.0（1.0，2.0）	-2.391	0.017	ALB（±s，g/L）	31.97±5.94	28.48±7.37	4.238^b	<0.001
损伤类型〔n（%）〕				11.802^a	0.038	ALT〔M（P₂₅，P₇₅），U/L〕	41.50（25.00，69.75）	41.00（22.50，120.00）	-0.620	0.535
	交通伤	164（67.21）	53（68.83）			AST〔M（P₂₅，P₇₅），U/L〕	68.00（39.00，121.00）	64.00（41.00，181.00）	-0.797	0.425
	坠落伤	45（18.44）	19（24.68）			LDH〔M（P₂₅，P₇₅），U/L〕	390.50（288.50，565.25）	395.50（308.50，567.00）	-0.777	0.437
	打砸压伤	26（10.66）	1（1.30）			BUN〔M（P₂₅，P₇₅），mmol/L〕	5.71（4.80，7.00）	5.52（4.59，6.67）	-1.084	0.278
	刀刺伤	3（1.23）	0			Scr〔M（P₂₅，P₇₅），mmol/L〕	67.00（55.00，87.75）	72.00（59.50，94.50）	-1.438	0.150
	爆炸伤	2（0.82）	0			Na⁺〔M（P₂₅，P₇₅），mmol/L〕	141.00（139.00，143.00）	140.00（137.00，144.00）	-0.636	0.525
	其他原因	4（1.64）	4（5.19）			K⁺〔M（P₂₅，P₇₅），mmol/L〕	3.46（3.17，3.84）	3.32（2.80，3.64）	-2.948	0.003
GCS〔M（P₂₅，P₇₅），分〕		15（10，15）	4（3，5）	-11.600	<0.001	CK〔M（P₂₅，P₇₅），U/L〕	623.0（355.0，1113.2）	369.0（251.0，660.0）	-3.972	<0.001
休克〔n（%）〕				21.473^a	<0.001	CK-MB〔M（P₂₅，P₇₅），U/L〕	47.0（29.0，90.0）	108.5（52.5，169.5）	-6.621	<0.001
	是	127（52.05）	63（81.82）			cTnI〔M（P₂₅，P₇₅），ng/L〕	0.03（0.01，0.22）	0.34（0.08，0.87）	-5.929	<0.001
	否	117（47.95）	14（18.18）			MYO〔M（P₂₅，P₇₅），ng/L〕	1 000.00（370.28，1 200.00）	479.80（261.40，1 131.15）	-2.506	0.012
MAP（±s，mm Hg）		78±20	80±28	-0.449^b	0.654	TT〔M（P₂₅，P₇₅），s〕	18.25（16.40，20.18）	20.20（17.60，24.35）	-4.380	<0.001
T〔M（P₂₅，P₇₅），℃〕		36.2（36.0，36.5）	36.0（36.0，36.5）	-1.861	0.063	PT〔M（P₂₅，P₇₅），s〕	12.50（11.60，13.70）	13.20（12.25，15.80）	-4.117	<0.001
R〔M（P₂₅，P₇₅），次/min〕		20（18，23）	18（15，24）	-3.250	0.001	APTT〔M（P₂₅，P₇₅），s〕	26.40（23.30，30.98）	34.60（26.35，44.85）	-5.427	<0.001
P〔M（P₂₅，P₇₅），次/min〕		92（78，110）	104（80，122）	-2.359	0.018	Fib〔M（P₂₅，P₇₅），g/L〕	1.49（1.20，2.00）	1.14（0.85，1.55）	-4.987	<0.001
pH值〔M（P₂₅，P₇₅）〕		7.37（7.33，7.40）	7.34（7.23，7.39）	-3.243	0.001	D-D〔M（P₂₅，P₇₅），mg/L〕	21.20（9.21，48.62）	40.00（14.33，112.25）	-3.707	<0.001
PaO₂〔M（P₂₅，P₇₅），mm Hg〕		106（75，158）	138（71，194）	-1.683	0.092	ISS〔M（P₂₅，P₇₅），分〕	27.0（22.0，33.0）	41.0（33.0，45.0）	-8.854	<0.001
PaCO₂〔M（P₂₅，P₇₅），mm Hg〕		39（35，41）	37（31，44）	-0.990	0.322

因素	β	SE	Wald χ²值	P值	OR值	95%CI
常量	-3.614	1.274	8.048	0.005	0.027	—
年龄	0.028	0.014	3.891	0.049	1.028	（1.000，1.057）
GCS	-0.485	0.071	47.225	<0.001	0.616	（0.536，0.707）
LAC	0.184	0.063	8.431	0.004	1.202	（1.062，1.361）
PLT	1.358	0.468	8.424	0.004	3.888	（1.554，9.727）
ISS	0.099	0.024	16.781	<0.001	1.104	（1.053，1.157）

因素	β	SE	Wald χ²值	P值	OR值	95%CI
常量	-3.614	1.274	8.048	0.005	0.027	—
年龄	0.028	0.014	3.891	0.049	1.028	（1.000，1.057）
GCS	-0.485	0.071	47.225	<0.001	0.616	（0.536，0.707）
LAC	0.184	0.063	8.431	0.004	1.202	（1.062，1.361）
PLT	1.358	0.468	8.424	0.004	3.888	（1.554，9.727）
ISS	0.099	0.024	16.781	<0.001	1.104	（1.053，1.157）

变量	AUC（95%CI）	P值	最佳截断值	灵敏度（%）	特异度（%）	Brier Score	AIC
模型1	0.963（0.936，0.981）	<0.001	0.414	88.30	93.00	0.065	146.30
模型2	0.974（0.949，0.988）	<0.001	0.261	92.20	92.20	0.055	129.00