EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Prehospital Trauma Scoring Systems for Discriminating Recorded Secondary Transfer in Multiply Injured Patients: A Comparative Study with Machine Learning

Präklinische Traumascores zur Unterscheidung einer dokumentierten Sekundärverlegung bei mehrfach Verletzten: Vergleichsstudie mit Machine Learning

Onur Karakayalı, Merve Akın Özdemir, Ali Cankut Tatlıparmak, Sarper Yılmaz

Journal of Clinical Medicine · 12.11.2026 · 15 (22) · 8838

DOI: 10.3390/jcm15228838 ↗

Auf einen Blick

Bei 1.194 mehrfach Verletzten zeigte der CRAMS-Score die höchste, aber nur begrenzte Trennschärfe für eine Sekundärverlegung. Ein Random Forest schnitt im Testdatensatz besser ab als logistische Regression.

Fragestellung

Wie gut diskriminieren acht präklinische Traumascores eine dokumentierte Sekundärverlegung bei mehrfach verletzten Patient:innen, und wie schneidet Random Forest gegen logistische Regression ab?

Methode

Retrospektive Kohortenstudie mit Kocaeli-Rettungsdienstdaten von Januar 2024 bis Juni 2025; ROC-Analysen der Scores; logistische Regression auf das Erstversorgungszentrum adjustiert; Modelle auf 70 % trainiert und auf 30 % sowie per gruppierter Cross-Validation geprüft.

Ergebnisse

Von 1.194 Patient:innen wurden 561 (47,0 %) sekundär verlegt. CRAMS: AUC 0,676 (95 %-KI 0,647–0,705). Im Testdatensatz: Random Forest AUC 0,836 (0,795–0,878) vs. logistische Regression 0,765; p < 0,001.

Einschränkungen

Die Kalibrationsslope des Random Forest betrug 1,34 und zeigte komprimierte Vorhersagen zum mittleren Risiko; externe Validierung steht aus.

Schlussfolgerung der Autor:innen

Einzelne Scores zeigten für dieses Systemergebnis nur begrenzte Diskriminierung. Der Random Forest trennte besser als die Regression, benötigt aber Rekalibrierung und externe Validierung vor klinischer Nutzung.

Kernaussagen

  • CRAMS hatte die höchste AUC unter den Einzel-Scores: 0,676
  • Random Forest besser als logistische Regression im Held-out-Set
  • Pädiatrisches und höheres Alter sowie Thoraxverletzung waren assoziiert

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift Journal of Clinical Medicine, online erschienen am 12.11.2026. Verfasst von Onur Karakayalı und 3 weiteren Autor:innen. Die Arbeit nennt 35 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background/Objectives: We compared eight prehospital trauma scores for discriminating recorded secondary interhospital transfer in multiply injured patients, identified factors associated with transfer, and compared a random forest with logistic regression.

Methods

Retrospective cohort of Kocaeli emergency medical services records (January 2024–June 2025). Scores were evaluated with receiver operating characteristic analysis; logistic regression was adjusted for the initial receiving facility. Models were trained on a patient-level 70% sample and evaluated on the remaining 30% and by repeated grouped cross-validation.

Results

Of 1194 patients, 561 (47.0%) underwent secondary transfer. The Circulation, Respiration, Abdomen, Motor, Speech (CRAMS) score had the highest discrimination (area under the curve [AUC] 0.676; 95% confidence interval [CI] 0.647–0.705). Pediatric (odds ratio [OR] 4.46; 95% CI 2.82–7.07) and elderly age (OR 2.44; 1.71–3.48) and thoracic injury (OR 1.68; 1.23–2.29) were independently associated with transfer. In the held-out set (n = 356), the random forest AUC was 0.836 (0.795–0.878) versus 0.765 for logistic regression with the same predictors (p < 0.001); its calibration slope was 1.34, indicating that predicted probabilities were compressed toward the average risk.

Conclusions

Individual scores showed limited discrimination for this system-level outcome. The random forest discriminated better than regression with the same information but requires recalibration and external validation before clinical use.

Zitieren

APA

Karakayalı, O., Özdemir, M. A., Tatlıparmak, A. C., & Yılmaz, S. (2026). Prehospital Trauma Scoring Systems for Discriminating Recorded Secondary Transfer in Multiply Injured Patients: A Comparative Study with Machine Learning. Journal of Clinical Medicine, 15(22), 8838. https://doi.org/10.3390/jcm15228838

Vancouver

Karakayalı O, Özdemir MA, Tatlıparmak AC, Yılmaz S. Prehospital Trauma Scoring Systems for Discriminating Recorded Secondary Transfer in Multiply Injured Patients: A Comparative Study with Machine Learning. Journal of Clinical Medicine. 2026;15(22):8838. doi:10.3390/jcm15228838

BibTeX
@article{Karakayal2026,
  author = {Karakayalı, Onur and Özdemir, Merve Akın and Tatlıparmak, Ali Cankut and Yılmaz, Sarper},
  title = {Prehospital Trauma Scoring Systems for Discriminating Recorded Secondary Transfer in Multiply Injured Patients: A Comparative Study with Machine Learning},
  journal = {Journal of Clinical Medicine},
  year = {2026},
  volume = {15},
  number = {22},
  pages = {8838},
  doi = {10.3390/jcm15228838}
}
Kostenlos starten →