Urazowe uszkodzenie mózgu – Rokowania, prognozy i postęp choroby

Urazowe uszkodzenie mózgu
Rokowania, prognozy i postęp choroby

Urazowe uszkodzenie mózgu (TBI) stanowi istotne wyzwanie kliniczne ze względu na heterogeniczność obrazu klinicznego i złożoność procesów patofizjologicznych. Rokowanie opiera się na wielowymiarowej ocenie, w której kluczowe znaczenie mają: wiek pacjenta (pogorszenie rokowania powyżej 40. roku życia), wynik skali Glasgow (szczególnie komponent motoryczny GCSM), stan źrenic (nieruchome i rozszerzone źrenice wskazują na zły prognostyk), obecność hipotensji i hipoksji, ciśnienie wewnątrzczaszkowe, choroby współistniejące oraz parametry biochemiczne, takie jak hiperglikemia, koagulopatia, poziom hemoglobiny i liczba limfocytów. Wczesna gorączka (obciążenie gorączkowe) również koreluje z gorszymi wynikami. Diagnostyka obrazowa, zwłaszcza CT z klasyfikacją Marshalla (stopnie III i IV związane z wysoką śmiertelnością) oraz MRI wykrywające rozlane uszkodzenie aksonalne, dostarcza istotnych informacji prognostycznych. Wykorzystanie biomarkerów, takich jak białko S-100, NSE, GFAP czy krążący wolny DNA, stanowi obiecujący kierunek w precyzyjnym przewidywaniu wyników leczenia.

Prognoza w urazowym uszkodzeniu mózgu

Urazowe uszkodzenie mózgu (TBI) jest jedną z głównych neurologicznych przyczyn śmierci i niepełnosprawności na całym świecie. Ze względu na heterogeniczność tego schorzenia, charakteryzującego się szerokim spektrum nasilenia urazu, procesów patofizjologicznych i zmiennych wyników, wczesna ocena rokowania stanowi istotne wyzwanie dla personelu medycznego. Trafne przewidywanie długoterminowych wyników leczenia na wczesnym etapie może otworzyć okno dla ukierunkowanych interwencji w celu poprawy efektów terapeutycznych u pacjentów z umiarkowanym i ciężkim TBI.¹²

Dokładna ocena rokowania jest niezwykle istotna z kilku powodów: pomaga w podejmowaniu odpowiednich decyzji terapeutycznych, ogranicza odsetek pacjentów pozostających w stanie wegetatywnym, wspiera rodziny w zrozumieniu stanu ich bliskich oraz ułatwia planowanie dalszej opieki. Należy jednak podkreślić, że choć modele prognostyczne mogą wspierać praktykę kliniczną i badania naukowe, to ich zastosowanie do podejmowania decyzji klinicznych wobec indywidualnych pacjentów wymaga dużej ostrożności.³⁴

Skale oceny wyników w TBI

Do klasyfikacji wyników po urazowym uszkodzeniu mózgu najczęściej wykorzystuje się Rozszerzoną Skalę Wyników Glasgow (Extended Glasgow Outcome Scale, GOSE). Jest ona stosowana głównie w kontekście badań naukowych i obejmuje następujące kategorie:

Śmierć
Stan wegetatywny
Ciężka niepełnosprawność:
- niższy stopień (zależność w czynnościach życia codziennego)
- wyższy stopień (samodzielność w podstawowych czynnościach, ale niezdolność do pracy)
Umiarkowana niepełnosprawność:
- niższy stopień (możliwość samodzielnego przemieszczania się i pracy w chronionym środowisku)
- wyższy stopień (możliwość pracy w zmniejszonym wymiarze, deficyty mowy, zaburzenia pamięci i zmiany osobowości)
Dobry powrót do zdrowia:
- niższy stopień (możliwość uczestniczenia w życiu społecznym)
- wyższy stopień (powrót do normalnego życia, niewielkie deficyty neurologiczne/psychologiczne)

Badanie MRC CRASH z 2008 roku, obejmujące 10 000 pacjentów z TBI z GCS ≤15, wykazało następujące wyniki: 1 na 5 pacjentów zmarł w ciągu 2 tygodni, 1 na 4 zmarł w ciągu 6 miesięcy, a 1 na 3 zmarł lub był poważnie niepełnosprawny po 6 miesiącach.³

Kliniczne czynniki prognostyczne

Na podstawie licznych badań zidentyfikowano szereg kluczowych czynników klinicznych, które mają istotny wpływ na rokowanie w TBI:

Wiek – jest jednym z najsilniejszych predyktorów; rokowanie pogarsza się wraz z wiekiem, szczególnie powyżej 40 roku życia
Skala Glasgow (GCS) po resuscytacji – niższy wynik GCS przy przyjęciu wiąże się z gorszymi wynikami, a związek między wynikiem GCS a śmiertelnością ma charakter liniowy
Komponent motoryczny GCS (GCSM) – wykazuje szczególnie wysoką wartość prognostyczną
Stan źrenic – reaktywność i wielkość źrenic (źrenice nieruchome i rozszerzone są złym prognostykiem)
Hipotensja i hipoksja – są istotnymi czynnikami wpływającymi na rokowanie
Ciśnienie wewnątrzczaszkowe (ICP)
Choroby współistniejące
Poziom glukozy i zaburzenia krzepnięcia – hiperglikemia i koagulopatia są głównymi determinantami niepełnosprawności i śmierci u pacjentów z TBI
Poziom hemoglobiny
Liczba limfocytów

⁵⁶⁷⁸

Gorączka w początkowej fazie leczenia również wykazuje istotny związek z rokowaniem. Badania wykazały, że obciążenie gorączkowe (fever burden) może być niezależnym predyktorem rokowania w TBI. Wysokie obciążenie gorączkowe we wczesnej fazie choroby związanej z TBI może zwiększać ryzyko złego rokowania.⁹¹⁰

Czynniki prognostyczne w neuroobrazowaniu

Badania neuroobrazowe dostarczają kluczowych informacji prognostycznych. Najważniejsze radiologiczne czynniki predykcyjne obejmują:

Obliteracja trzeciej komory/zbiorników podstawy mózgu – brak zbiorników podstawy jest najsilniejszym predyktorem śmiertelności w ciągu 6 miesięcy
Przesunięcie linii środkowej
Wybroczyny krwotoczne
Krwotok podpajęczynówkowy
Nieusunięty krwiak
Uraz pnia mózgu
Klasyfikacja CT Marshalla – stopnie III i IV są szczególnie związane ze śmiertelnością, podczas gdy stopnie I lub II częściej wiążą się z korzystnym wynikiem
Charakter i zakres urazów wewnątrzczaszkowych (od najgorszego do najmniej poważnego: krwiak podtwardówkowy – krwiak nadtwardówkowy – krwawienie podpajęczynówkowe)

⁵⁶

W badaniach MRI wykazano, że obecność rozlanego uszkodzenia aksonalnego (diffuse axonal injury) u pacjentów z TBI wiąże się z większym prawdopodobieństwem niekorzystnych wyników. Ponadto, uszkodzenia ciała modzelowatego, promienistości koronowej i grzbietowo-bocznej części pnia mózgu w 6-8 tygodniu po urazie mogą być predyktorami stanu wegetatywnego.⁵⁶

Biomarkery w prognozowaniu TBI

Markery biologiczne stanowią obiecujący kierunek badań w prognozowaniu wyników u pacjentów z urazowym uszkodzeniem mózgu. Do najważniejszych biomarkerów należą:

Białko S-100 w surowicy – biomarker ciężkiego TBI, który najczęściej wykazuje zdolność do przewidywania urazu i wyniku u dorosłych
Enolaza specyficzna dla neuronów (NSE)
IL-10
Zasadowe białko mieliny
Kwaśne białko włókienkowe gleju (GFAP)
Produkty degradacji białek (np. produkt rozpadu spektryny, c-tau i amyloid-beta(1-42))
Krążący wolny DNA (cfDNA) – nowatorski biomarker będący przedmiotem intensywnych badań

⁵⁶²

Modele prognostyczne w TBI

W ciągu ostatnich lat opracowano różne modele prognostyczne mające na celu przewidywanie wyników u pacjentów z TBI. Modele te można podzielić na dwie główne kategorie: tradycyjne modele statystyczne i modele wykorzystujące uczenie maszynowe.

Tradycyjne modele prognostyczne

Do najbardziej znanych tradycyjnych kalkulatorów prognostycznych należą:

CRASH Head Injury Prognosis Calculator
IMPACT Head Injury Prognosis Calculator

¹¹

Kalkulator prognostyczny IMPACT został opracowany na podstawie szeroko zakrojonych analiz prognostycznych i służy do przewidywania 6-miesięcznych wyników u dorosłych pacjentów z umiarkowanym do ciężkiego urazem głowy (Glasgow Coma Scale ≤12). Model ten dobrze różnicuje pacjentów, ale należy zachować wyjątkową ostrożność przy stosowaniu przewidywanego rokowania do indywidualnych pacjentów.¹²

Badania nad modelem IMPACT wykazały, że największa ilość informacji prognostycznych zawarta jest w podstawowym zestawie trzech predyktorów: wieku, wyniku motorycznym i reaktywności źrenic przy przyjęciu. Dodatkowe informacje prognostyczne dostarcza tomografia komputerowa. Model łączący te czynniki wykazał dobrą zdolność dyskryminacyjną między pacjentami z dobrym i złym wynikiem po 6 miesiącach.¹³

Modele oparte na uczeniu maszynowym

Algorytmy uczenia maszynowego (ML) stanowią alternatywne podejście do przewidywania wyników w TBI. Badania wykazały, że wykorzystanie odpowiednich markerów, wraz z dalszym rozwojem, daje ML potencjał do przewidywania przeżycia pacjentów z TBI zarówno w krótkim, jak i długim okresie.¹⁴

Analizy z wykorzystaniem wielu modeli uczenia maszynowego wykazały, że stan źrenic, stan zbiorników (obecne, nieobecne lub uciśnięte) oraz wiek pacjenta są najlepszymi predyktorami śmiertelności wewnątrzszpitalnej, podczas gdy stan źrenic, GCSM i wiek są najważniejszymi cechami klinicznymi w przewidywaniu śmiertelności długoterminowej.¹⁵

Różne modele uczenia maszynowego wykazują różną skuteczność w przewidywaniu wyników TBI:

Modele Random Forest (RF), Logistic Regression (LR) i Generalized Linear Model (GLM) są najdokładniejszymi modelami do przewidywania śmiertelności wewnątrzszpitalnej pacjentów (na podstawie 2-klasowej GOS)
GLM (z dokładnością 82%) okazał się najdokładniejszym predyktorem śmiertelności 6-miesięcznej
Gradient Boosting Trees (GBT) wykazuje najlepszą ogólną wydajność
Deep Learning (DL) ma najlepszy wskaźnik Recall wśród wszystkich badanych algorytmów

¹⁶¹⁵

Należy jednak zauważyć, że dokładność przewidywania 5-klasowej skali GOS jest niższa niż 2-klasowej GOS, co wskazuje na większe wyzwania w prognozowaniu bardziej szczegółowych wyników.¹⁶

Inne badania wykazały, że modele obliczeniowe wykorzystujące dane kliniczne i fizjologiczne z pierwszych 24 godzin intensywnej opieki dokładnie przewidują krótkoterminową śmiertelność i funkcję neurologiczną u pacjentów przyjętych na OIOM z powodu TBI. Wyniki tych modeli sugerują, że dodatkowe cechy zawierają informacje predykcyjne niedostępne w starszych skalach prognostycznych.¹⁷

Interesujące podejście przedstawiono w analizie wykorzystującej entropię permutacji obliczoną na podstawie wczesnych parametrów życiowych (początkowe 10-20% czasu pobytu pacjenta w szpitalu). Klasyfikatory oparte na tym podejściu osiągnęły 91,67% dokładności przewidywania śmiertelności wewnątrzszpitalnej i 76,67% dla 3-miesięcznego GOSE w zbiorach testowych, używając walidacji krzyżowej typu leave-one-out.¹⁸

Porównanie modeli tradycyjnych i uczenia maszynowego

Wbrew oczekiwaniom, niektóre badania sugerują, że algorytmy uczenia maszynowego nie oferują znaczących przewag w stosunku do tradycyjnych metod regresji w przewidywaniu wyników u pacjentów z TBI lub udarem. Główny wniosek jednego z przeglądów wskazuje, że ML nie daje istotnych korzyści w porównaniu z metodologiami regresji logistycznej w przewidywaniu wyniku leczenia pacjentów z TBI.¹⁹

Z drugiej strony, wysoko heterogeniczne dane predykcyjne i wielowymiarowe dane wynikowe, charakterystyczne dla TBI, mogą być lepiej analizowane przez nowoczesne techniki uczenia maszynowego, takie jak konwolucyjne sieci neuronowe. Takie techniki są również dobrze dostosowane do analizy danych seryjnych lub zależnych od czasu.²⁰

Praktyczne zastosowanie modeli prognostycznych

Modele prognostyczne mają szereg zastosowań w praktyce klinicznej i badaniach naukowych:

Dostarczanie realistycznych informacji rodzinom na temat oczekiwanych wyników
Kwantyfikacja i klasyfikacja ciężkości urazu mózgu
Stratyfikacja i dostosowanie współzmiennych w badaniach klinicznych
Punkt odniesienia do oceny jakości opieki

¹³

Należy jednak pamiętać, że zastosowanie tych modeli do indywidualnych pacjentów wymaga dużej ostrożności. Modele te zostały opracowane na podstawie danych populacyjnych i mogą nie odzwierciedlać dokładnie indywidualnego przebiegu choroby.²¹

W praktyce klinicznej modele prognostyczne powinny uzupełniać, a nie zastępować, osąd kliniczny i mogą być używane jedynie jako systemy wspomagania decyzji. Ich zastosowanie w podejmowaniu decyzji klinicznych dla indywidualnych pacjentów powinno być traktowane z odpowiednią rezerwą.¹²²¹

Kierunki badań nad prognozowaniem w TBI

Obecne badania koncentrują się na opracowaniu bardziej zaawansowanych modeli prognostycznych z wykorzystaniem uczenia maszynowego, które integrują dane kliniczne, neuroobrazowe i biomarkery. Przykładem takiego podejścia jest badanie PREDICT-TBI, które ma na celu opracowanie modelu predykcyjnego opartego na uczeniu maszynowym dla wyników neurologicznych 6 miesięcy po umiarkowanym lub ciężkim TBI.²²

Model ten będzie wykorzystywał dane demograficzne, kliniczne, zaawansowane techniki obrazowania (w tym Quantitative Susceptibility Mapping i Dynamic Contrast Enhanced MRI) oraz nowatorskie biomarkery krwi (krążący wolny DNA). Główną hipotezą jest to, że generatywny model głębokiego uczenia wykorzystujący dane niekliniczne i długoterminowe dane kliniczne może przewidywać wyniki neurologiczne u pacjentów 6 miesięcy po umiarkowanym lub ciężkim TBI.²²²

Innym obiecującym kierunkiem badań jest TBI-Prognosis Study, którego celem jest ocena wykonalności przeprowadzenia dużego, wieloośrodkowego badania mającego na celu opracowanie modelu prognostycznego dla pacjentów z ciężkim urazowym uszkodzeniem mózgu. Badanie to wykazało wysoką zgodność z procedurami badania, akceptowalny wskaźnik rekrutacji i niski odsetek utraty pacjentów w trakcie obserwacji, co wskazuje na wykonalność takiego projektu.²³²⁴

Podsumowanie

Prognozowanie wyników po urazowym uszkodzeniu mózgu pozostaje wyzwaniem, ale postępy w dziedzinie modelowania prognostycznego oferują coraz dokładniejsze narzędzia do oceny rokowania. Najbardziej wiarygodne czynniki prognostyczne obejmują wiek, skalę GCS (szczególnie komponent motoryczny), reaktywność źrenic, charakterystykę CT oraz biomarkery.

Zarówno tradycyjne modele prognostyczne, jak i te oparte na uczeniu maszynowym, mogą zapewnić adekwatną dyskryminację między pacjentami z dobrym i złym wynikiem 6-miesięcznym po TBI. Jednak modele wielozmienne, uwzględniające szerszy zakres czynników prognostycznych, wykazują znacząco lepszą wydajność w porównaniu z prostymi skalami nasilenia.

Należy pamiętać, że mimo rosnącej dokładności modeli prognostycznych, ich zastosowanie do indywidualnych pacjentów wymaga ostrożności. Modele te powinny służyć jako narzędzia wspomagające, a nie zastępujące, kliniczny osąd lekarza w procesie podejmowania decyzji terapeutycznych.²¹¹²

Kolejne rozdziały

Zapraszamy do dalszego czytania naszego leksykonu.

Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.

Materiały źródłowe

#1 Digital signatures for early traumatic brain injury outcome prediction in the intensive care unit | Scientific Reports
https://www.nature.com/articles/s41598-021-99397-4
Traumatic brain injury (TBI) is a leading neurological cause of death and disability across the world. Early characterization of TBI severity could provide a window for therapeutic intervention and contribute to improved outcome. […] We hypothesized that granular electronic health record data available in the first 24 h following admission to the intensive care unit (ICU) can be used to differentiate outcomes at discharge. […] These results demonstrate that computational analysis of data routinely collected in the first 24 h after admission accurately and reliably predict discharge outcomes in ICU stratum TBI patients. […] Here, we explored electronic health record data to test the hypothesis that early data signatures can differentiate short-term clinical trajectories of TBI patients admitted to the ICU.
#2 PREdiction and Diagnosis using Imaging and Clinical biomarkers Trial in Traumatic Brain Injury (PREDICT-TBI) study protocol: an observational, prospective, multicentre cohort study for the prediction of outcome in moderate-to-severe TBI | BMJ Open
https://bmjopen.bmj.com/content/13/4/e067740
Traumatic brain injury (TBI) is a heterogeneous condition with a broad spectrum of injury severity, pathophysiological processes and variable outcomes. For moderate-to-severe TBI survivors, recovery is often protracted and outcomes can range from total dependence to full recovery. Despite advances in medical treatment options, prognosis remains largely unchanged. The objective of this study is to develop a machine learning predictive model for neurological outcomes at 6 months in patients with a moderate-to-severe TBI, incorporating longitudinal clinical, multimodal neuroimaging and blood biomarker predictor variables. […] The study will also expand on current prognostic models by including novel blood biomarkers (circulating cell-free DNA), and the results of quantitative neuroimaging such as Quantitative Susceptibility Mapping and Dynamic Contrast Enhanced MRI as predictor variables.
#3 Traumatic Brain Injury (TBI) Prognosis • LITFL • CCC
https://litfl.com/traumatic-brain-injury-tbi-prognosis/
Traumatic Brain Injury (TBI) is a devastating condition in terms of personal, societal and wider economic impact […] prognosis in TBI is difficult but important: guides appropriate treatment, try to limit the proportion of patients left in a persistent vegetative state (PVS), aids the family in coming to terms with their loved ones condition and with future planning […] clinical, physiological variables, radiological predictors and biological markers exist […] all are more useful for prediction at the population level than for guiding decisions concerning individual patients […] MRC CRASH study in 2008 (n = 10,000 TBI patients with GCS 15) had these outcomes: 1 in 5 dead at 2 weeks, 1 in 4 dead at 6 months, 1 in 3 dead or severely disabled at 6 months […] Extended Glasgow Outcome Scale is used to classify TBI outcomes, primarily in the research setting: Death, PVS, Severe disability: lower grade (dependent for ADLs), upper grade (self caring but unable to work), Moderate disability: lower grade (able to travel independently and work in sheltered environment), upper grade (able to work in reduced capacity, deficits in speech, memory and personality change), Good recovery: lower grade (can participate socially), upper grade (resumption of normal life, minor neurological/psychological deficits)
#4 Predicting Outcome after Traumatic Brain Injury: Development and International Validation of Prognostic Scores Based on Admission Characteristics | PLOS Medicine
https://journals.plos.org/plosmedicine/article/info%3Adoi%2F10.1371%2Fjournal.pmed.0050165
Prognostic models using baseline characteristics provide adequate discrimination between patients with good and poor 6 mo outcomes after TBI, especially if CT and laboratory findings are considered in addition to traditional predictors. The model predictions may support clinical practice and research, including the design and analysis of randomized controlled trials. […] Establishing a reliable prognosis early after injury is notoriously difficult, as is captured in the Hippocratic aphorism, No head injury is too severe to despair of, nor too trivial to ignore. Following the development of the Glasgow Coma Scale (GCS) and the Glasgow Outcome Scale (GOS), it was found that confident predictions could be made after 24 h following the injury, but were difficult to establish on admission. Prognostic models with admission data are essential to support early clinical decision-making, and to facilitate reliable comparison of outcomes between different patient series and variation in results over time.
#5 Traumatic Brain Injury (TBI) Prognosis • LITFL • CCC
https://litfl.com/traumatic-brain-injury-tbi-prognosis/
age (40 years, worse with increasing age), initial GCS post-resuscitation, hypotension, hypoxia, pupil size and reaction to light (i.e fixed and dilated is bad!), ICP, nature extent of the intracranial injuries (worst to least, subdural – extradural – SAH), co-morbidities, low-to-middle income countries […] obliteration of third ventricle/basal cisterns (absence of basal cisterns is the strongest predictor of six month mortality), midline shift, petechial haemorrhages, subarachnoid haemorrhage, unevacuated hematoma, brainstem injury […] at 6-8 weeks: injuries to corpus callosum, corona radiata and dorsolateral brainstem predict PVS […] serum S-100 protein (severe TBI biomarker that most consistently demonstrates the ability to predict injury and outcome in adults), neuron-specific enolase (NSE), IL-10, myelin basic protein, GFAP, protein degradation products (e.g. spectrin breakdown product, c-tau, and amyloid-beta(1-42))
#6 Predicting Outcome in Patients with Brain Injury: Differences between Machine Learning versus Conventional Statistics
https://www.mdpi.com/resolver?pii=biomedicines10092267
Other important prognostic factors include hypotension, hypoxia, glucose, coagulopathy, and hemoglobin. […] In particular, hyperglycaemia and coagulopathy are the major determinants of disability and death in TBI patients. […] One of the most recent and promising research lines of prognostic factors of rehabilitative outcomes regards biological markers in patients with brain injury determined by stroke or traumatic brain injuries. […] Although over the past few years many prognostic factors have been identified, relationships among demographical, clinical, biological, and psychological factors and outcomes could be not linear and intertwined. […] Consequently, machine learning (ML) approaches have emerged as a more robust way to discriminate between various classes of potential prognostic factors useful for predicting outcomes in TBI and stroke patients.
#6 Predicting Outcome in Patients with Brain Injury: Differences between Machine Learning versus Conventional Statistics
https://www.mdpi.com/resolver?pii=biomedicines10092267
According to the literature, there is strong evidence for the prognostic value of the GCS on admission to the hospital which means lower admission GCS is associated with worse outcomes; furthermore, the GCS score shows a clear linear relationship with mortality. […] The most common CT classification used in TBI is the Marshall classification according to which levels III and IV are especially related to mortality, while levels I or II are more frequently associated with a favorable outcome. […] Specific outcomes have been reported in relation to individual CT characteristics, midline shifts, and mass lesions. […] As regards neuroimaging studies with magnetic resonance imaging (MRI), it has been demonstrated that the presence of diffuse axonal injury on MRI in patients with TBI results in a higher chance of unfavorable outcomes.
#7 Predictors of outcomes 3 to 12 months after traumatic brain injury: a systematic review and meta-analysis
https://ophrp.org/journal/view.php?number=759
The exact factors predicting outcomes following traumatic brain injury (TBI) remain elusive. […] In patients with TBI of any severity, mean differences were observed in age (8.72 years; 95% confidence interval [CI], 4.77-12.66 years), lymphocyte count (0.15 10^9/L; 95% CI, 0.18 to 0.11), glucose levels (1.20 mmol/L; 95% CI, 0.73-1.68), and hemoglobin levels (0.91 g/dL; 95% CI, 1.49 to 0.33) between those with favourable and unfavorable outcomes. […] Several predictors were strongly associated with outcome. Specifically, age, lymphocyte count, glucose level, hemoglobin level, severity of TBI, pupillary reaction, and type of injury were identified as potential predictors of long-term outcomes. […] Assessing the probability of adverse functional outcomes following TBI is critical, as it provides patients, families, and healthcare providers with valuable prognostic insights that can guide decisions regarding the suitability of therapeutic interventions.
#8 Predictors of outcomes 3 to 12 months after traumatic brain injury: a systematic review and meta-analysis
https://ophrp.org/journal/view.php?number=759
Most studies have identified age as the primary predictor of outcomes following head injury, although age appears to be a stronger indicator of mortality and survival than of functional outcomes. […] The importance of the Glasgow coma scale (GCS) and pupillary response as prognostic factors cannot be overstated, as these have been consistently identified as significant predictors in the literature. […] The pooled results of this study indicate a disparity between the favorable and unfavorable groups, specifically suggesting that older patients with TBI are particularly likely to experience unfavorable outcomes. […] The findings of this study indicate that a range of factors are associated with unfavorable outcomes at 3 to 12 months, including advanced age, low GCS score upon admission, diminished lymphocyte count, elevated glucose level, increased NLR, the presence of mass lesions, IVH, high neutrophil ratio, elevated WBC count, high sodium concentration, elevated Oxford Handicap Scale score, increased monocyte count, and high hemoglobin level. […] These factors can assist healthcare professionals in estimating patient prognosis following TBI and enable them to predict outcomes swiftly and effectively, thereby facilitating timely and appropriate intervention.
#9 Fever Burden Is an Independent Predictor for Prognosis of Traumatic Brain Injury | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0090956
Fever burden is an independent predictor for prognosis of traumatic brain injury (TBI). […] To evaluate fever burden as an independent predictor for prognosis of traumatic brain injury (TBI). […] Fever burden increased as GOS scores decreased from 5 to 2, except for score 1 of GOS, which corresponded to a significant lower fever burden. […] Univariate logistic regression analysis revealed that poor TBI prognosis was related to age, GCS, pupil reactivity, and fever burden (OR: 1.166 [95% CI: 1.1171.217] P0.0001). Multivariate logistic regression analysis identified fever burden as an independent predictor of poor prognosis after TBI (OR 1.098; 95% CI: 1.0311.169; P=0.003). […] Fever burden might be an independent predictor for prognosis of TBI. High fever burden in the early stage of the disease course associated with TBI could increase the risk of poor prognosis.
#10 Fever Burden Is an Independent Predictor for Prognosis of Traumatic Brain Injury | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0090956
Our study identified fever burden as an independent prognostic predictor for TBI, and suggested that fever burden might be a critical parameter for prediction of outcomes in TBI patients. […] Our findings showed that fever burden was negatively associated with GOS, and that fever burden was demonstrated to be an independent prognostic factor for TBI by univariate logistic regression, multivariate logistic regression, ROC curve analysis, and correlation analysis. […] The addition of fever burden to the parameters used in the current core prognosis prediction model (age, pupil reactivity and GCS score) may be expected to provide a more precise and valid measure of outcomes in TBI patients.
#11 Traumatic Brain Injury (TBI) Prognosis • LITFL • CCC
https://litfl.com/traumatic-brain-injury-tbi-prognosis/
CRASH Head Injury Prognosis Calculator, IMPACT Head Injury Prognosis Calculator […] their outcomes apply to populations caution is needed if applying them to individual patients, the models were externally validated against one another they are yet to be validated on patients not selected from clinical trials.
#12 Prognostic calculator | TBI-IMPACT.org
http://www.tbi-impact.org/?p=impact/calc
Prognostic Calculator Based on extensive prognostic analysis the IMPACT investigators have developed prognostic models for predicting 6 month outcome in adult patients with moderate to severe head injury (Glasgow Coma Scale IMPACT database). The models discriminate well, and are particularly suited for purposes of classification and characterization of large cohorts of patients. Extreme caution is required when applying the estimated prognosis to individual patients. […] The sequential prediction models may be used as an aid to estimate 6 month outcome in patients with severe or moderate traumatic brain injury (TBI). However, the prediction rule can only complement, never replace, clinical judgment and can therefore be used only as a decision-support system. […] This model predicts outcome in the following patients: Adults with head injury, Glasgow Coma Scale 12 or less.
#13 Predicting Outcome after Traumatic Brain Injury: Development and International Validation of Prognostic Scores Based on Admission Characteristics | PLOS Medicine
https://journals.plos.org/plosmedicine/article/info%3Adoi%2F10.1371%2Fjournal.pmed.0050165
We aimed to develop prognostic models based on admission characteristics, which would allow application of the model before in-hospital therapeutic interventions. […] The largest amount of prognostic information was contained in a core set of three predictors: age, motor score, and pupillary reactivity at admission. These characteristics were already considered in the first well-known model for TBI and in many subsequent prognostic models. Information from the CT scan provided additional prognostic information, although we did not exploit all the prognostic information contained in a CT scan. […] In conclusion, prognostic models are now available that provide adequate discrimination between patients with good and poor 6-mo outcome. These models may be useful for providing realistic information to relatives on expectations of outcome, for quantifying and classifying the severity of brain injury, for stratification and covariate adjustment in clinical trials, and as a reference for evaluating quality of care.
#14 Prognosis prediction in traumatic brain injury patients using machine learning algorithms
https://pmc.ncbi.nlm.nih.gov/articles/PMC9849475/
Predicting treatment outcomes in traumatic brain injury (TBI) patients is challenging worldwide. […] Our findings reveal that among different variables included in this study, the motor component of the Glasgow coma scale, the condition of pupils, and the condition of cisterns were the most reliable features for predicting in-hospital mortality, while the patients age takes the place of cisterns condition when considering the long-term survival of TBI patients. […] Our results showed that using appropriate markers and with further development, ML has the potential to predict TBI patients survival in the short- and long-term. […] The first aim of this paper was to find the most reliable prognostic markers related to TBI. […] Our assessments on wide background, clinical, and paraclinical features with various models indicated that the condition of pupils, the condition of cisterns (being present, absent, or compressed), and the patients age are the best predictors of in-hospital mortality, while the condition of the pupils, GCSM, and age are the most important clinical features in predicting the long-term mortality.
#15 Prognosis prediction in traumatic brain injury patients using machine learning algorithms | Scientific Reports
https://www.nature.com/articles/s41598-023-28188-w
Our assessments on wide background, clinical, and paraclinical features with various models indicated that the condition of pupils, the condition of cisterns (being present, absent, or compressed), and the patients age are the best predictors of in-hospital mortality, while the condition of the pupils, GCSM, and age are the most important clinical features in predicting the long-term mortality. […] The second aim of the present study was to provide efficient ML and statistical models to predict the short- and long-term outcomes of TBI patients. […] According to our findings, the RF, LR, and GLM models are the most accurate models to predict the in-hospital mortality of patients (based on the 2-class GOS). […] On the other hand, GLM (with an accuracy of 82%) was found to be the most accurate predictor of 6-months mortality.
#16 Prognosis prediction in traumatic brain injury patients using machine learning algorithms
https://pmc.ncbi.nlm.nih.gov/articles/PMC9849475/
The second aim of the present study was to provide efficient ML and statistical models to predict the short- and long-term outcomes of TBI patients. […] According to our findings, the RF, LR, and GLM models are the most accurate models to predict the in-hospital mortality of patients (based on the 2-class GOS). […] On the other hand, GLM (with an accuracy of 82%) was found to be the most accurate predictor of 6-months mortality. […] However, as described in the results, the accuracy of the 5-class GOS is lower than the 2-class GOS. […] Overall, according to the results shown in Tables 2 and 4, GBT has the best performance. […] Finally, it should be noted that DL has the best Recall among all of the investigated algorithms in both Tables 6 and 9.
#17 Digital signatures for early traumatic brain injury outcome prediction in the intensive care unit | Scientific Reports
https://www.nature.com/articles/s41598-021-99397-4
We demonstrate that information available in the first 24 h of intensive care is predictive of mortality and neurological function at ICU discharge, and that machine learning models can accurately model this relationship. […] These results demonstrate that computational models leveraging clinical and physiological data from the first 24 h of intensive care accurately predict short-term mortality and neurological function in patients admitted to the ICU for management of TBI. […] The performance of our models suggests that these additional features contain predictive information not available in the older prognostic scores. […] Timely characterization of severity and clinical trajectories could open a window for targeted interventions to ameliorate outcomes in patients with moderate and severe TBI.
#18 Outcome Prediction for Patients with Severe Traumatic Brain Injury Using Permutation Entropy Analysis of Electronic Vital Signs Data | SpringerLink
https://link.springer.com/chapter/10.1007/978-3-642-31537-4_33
Permutation entropy is computationally efficient, robust to noise, and effective to measure complexity. […] Using permutation entropy calculated from early vital signs (initial 10~20% of patient hospital stay time), we built classifiers to predict in-hospital mortality, and mobility measured by 3-month Extended Glasgow Outcome Score (GOSE). […] With early vital signs data, the overall prediction accuracy achieved 91.67% for mortality, and 76.67% for 3-month GOSE in testing datasets, using the leave-one-out cross validation. […] Those results support the applicability of permutation entropy in analyzing the dynamic behavior of biomedical time series for early prediction of mortality and long-term patient outcomes.
#19 Predicting Outcome in Patients with Brain Injury: Differences between Machine Learning versus Conventional Statistics
https://www.mdpi.com/resolver?pii=biomedicines10092267
The main conclusion of this review is that ML does not confer substantial advantages with respect to LR methodologies in predicting the outcome of TBI or stroke patients. […] ML algorithms do not perform better than more traditional regression models in predicting the outcome in TBI or stroke patients.
#20 PREdiction and Diagnosis using Imaging and Clinical biomarkers Trial in Traumatic Brain Injury (PREDICT-TBI) study protocol: an observational, prospective, multicentre cohort study for the prediction of outcome in moderate-to-severe TBI | BMJ Open
https://bmjopen.bmj.com/content/13/4/e067740
For the clinician, TBI presents not only a diagnostic challenge, but a considerable prognostic challenge. While prognostic models have been developed they are not clinically useful because they only account for about 30% of the variance in outcomes. […] The highly heterogenous predictor data and multidimensional outcome data that are characteristic of TBI, may be better analysed by modern machine learning techniques, such as convolutional neural networks. Such techniques are also well-suited to analyse serial or time-dependent data. […] The objective of the study, in adults with moderate-to-severe TBIs, is to develop a machine learning predictive model for neurological outcomes at 6 months post injury, incorporating longitudinal clinical, multimodal neuroimaging and blood biomarker predictor data.
#21 Early prediction of outcome after severe traumatic brain injury: a simple and practical model | BMC Emergency Medicine | Full Text
https://bmcemergmed.biomedcentral.com/articles/10.1186/s12873-016-0098-x
The decision tree predictive model we developed is simple, easy-to-remember, constructed on the first head CT scan and admission characteristics, and is capable of predicting the likelihood of unfavorable outcome at 6 months. […] The predictive model has a good discrimination between patients with poor and acceptable outcome. […] Any predictive model must be used with caution, in particular decision-making for individual patients. […] The present study has several limitations. […] This early predictive model could be useful for research and quality improvement, but caution should be exercised when using it for clinical decision-making.
#22 PREdiction and Diagnosis using Imaging and Clinical biomarkers Trial in Traumatic Brain Injury (PREDICT-TBI) study protocol: an observational, prospective, multicentre cohort study for the prediction of outcome in moderate-to-severe TBI | BMJ Open
https://bmjopen.bmj.com/content/13/4/e067740
The predictive model will be designed to predict several neurological outcome measures (NOMs) at two time points: 3 and 6 months after injury. The primary outcome is the prediction of the GOSE 6 months after injury. […] The main hypothesis is that a DL generative model using non-clinical and longitudinal clinical data inputs, including advanced imaging and blood biomarkers, can predict neurological outcomes in patients 6 months after suffering a moderate-to-severe TBI. […] The study will also improve our understanding of the basic neural mechanisms behind TBI. The rich multimodal data set has the potential to establish new metrics to evaluate brain injury.
#23 Prognostication in critically ill patients with severe traumatic brain injury: the TBI-Prognosis multicentre feasibility study | BMJ Open
https://bmjopen.bmj.com/content/7/4/e013779
Severe traumatic brain injury is a significant cause of morbidity and mortality in young adults. Assessing long-term neurological outcome after such injury is difficult and often characterised by uncertainty. The objective of this feasibility study was to establish the feasibility of conducting a large, multicentre prospective study to develop a prognostic model of long-term neurological outcome in critically ill patients with severe traumatic brain injury. […] The objective of the TBI-Prognosis Feasibility Study was to assess the feasibility of conducting a large-scale, multicentre study to develop prognostic model to inform long-term prognosis in patients with severe traumatic brain injury. […] Our overarching objective of the research programme is to develop a model to predict short (discharge), mid (3months) and long-term neurological prognosis (6 and 12months) in patients admitted to intensive care unit with severe traumatic brain injury.
#24 Prognostication in critically ill patients with severe traumatic brain injury: the TBI-Prognosis multicentre feasibility study | BMJ Open
https://bmjopen.bmj.com/content/7/4/e013779
In this multicentre prospective feasibility study, we achieved high compliance with the study procedures, an acceptable enrolment rate and had a low rate of loss to follow-up. […] We conclude that a prospective multicentre study in severe traumatic brain injury patients in Canada aiming at developing a prognostic model in the acute phase of care is feasible.