Trauma Score och Injury Severity Score (TRISS)

Klinisk bakgrund

TRISS skapades för ett problem som inte låter sig lösas med nakna utfallsdata: när en traumamottagning har högre mortalitet än en annan, beror det på skillnader i vårdkvalitet eller i patientmix? Ett register som redovistar rå mortalitet missgynnar systematiskt centra som tar emot fler genomgångstrauman, äldre patienter eller skadeställen med hög ISS. TRISS kombinerar fysiologisk skadeallvarlighetsgrad (Revised Trauma Score, RTS), anatomisk skadeallvarlighetsgrad (ISS), ålder och skademekanism till en sannolikhet för överlevnad ($P_s$) för varje enskild patient. Genom att summerera $P_s$ för hela kohorten erhålls en förväntad mortalitet, som kan jämföras med den observerade med Z-statistik eller W-statistik [1]. Skillnaden mellan förväntad och observerad överlevnad är vad instrumentet är till för: att mäta och jämföra vårdkvalitet, inte att fatta beslut vid sängkanten.

Beräkning av TRISS

För varje patient beräknas först RTS genom att koda GCS, systoliskt blodtryck och andningsfrekvens till ordinalvärden 0 till 4 enligt standardintervall och sedan väga samman dem:

$$\text{RTS} = 0{,}9368 \times \text{GCS}$${\text{kodad}} + 0{,}7326 \times \text{SBT}{\text{kodad}} + 0{,}2908 \times \text{AF}_{\text{kodad}}

Vid kodning tilldelas högre värden bättre fysiologisk status. Därefter beräknas logit-värdet $b$ med skademekanismsspecifika koefficienter:

$$b = b_0 + b_1 \times \text{RTS} - b_2 \times \text{ISS} - b_3 \times \text{åldersindex}$$

där åldersindex är 0 om ålder $\leq 54$ år och 1 om ålder $\geq 55$ år. Koefficienterna är:

Sannolikheten för överlevnad fås slutligen som:

$$P_s = \frac{1}{1 + e^{-b}}$$

Koefficienterna härleddes ur Major Trauma Outcome Study (MTOS), en amerikansk multicenterdatabas publicerad av Boyd m.fl. 1987 [1]. Originalkohorten omfattade över 80 000 vuxna traumapatienter från flera nordamerikanska traumacentra under 1980-talet, med överlevnad mätt vid utskrivning från sjukhus. Separata koefficienter beräknades för trubbigt och penetrerande trauma samt för vuxna och barn, även om den pediatriska kohorten för penetrerande trauma var för liten för stabila skattningar.

Tolkning i praktiken

$P_s$ är en individuell sannolikhet, inte ett kliniskt beslutsstöd. I traumaregisterssammanhang tolkas den aggregerat:

W-statistiken uttrycker det faktiska antalet överlevare mer eller färre än vad modellen förutsäger per 100 patienter. En W på +3 betyder att tre patienter per hundra överlevde mer än förväntat. Det är denna sorts jämförelse, inte den individuella siffran, som är instrumentets syfte.

Validering och prestanda

I en norsk extern validering (Skaga m.fl., n = 6348 traumapatienter vid Oslo University Hospital, 2010 till 2013, utfall 30-dagarsmortalitet) presterade TRISS sämre än lokalt härledda NORMIT-modeller vad gäller både diskrimination (AUROC) och kalibrering [2]. TRISS kalibreringsplottar visade hög variabilitet mellan $P_s$-banden, särskilt när skador kodades med AIS 2008-varianten. TRISS och den brittiska TARN-modellen presterade statistiskt likvärdigt, men båda underlägsnade NORMIT. En finsk extern validering fann liknande mönster: bättre diskrimination för NORMIT, men pessimistisk kalibrering för både TRISS och NORMIT [2].

I en japansk kohort med svår traumatisk hjärnskada (Maeda m.fl., n = 635, JNTDB 2009 till 2011) uppvisade TRISS en AUROC på 0,75 för sjukhusmortalitet [3]. Detta var tillfredsställande för applikation på japansk neurotraumapopulation, men lägre än CRASH- och IMPACT-modellerna för prediktion av ofördelaktigt utfall vid 6 månader (AUROC 0,81 till 0,86).

En holländsk studie (de Munter m.fl., n = 15 530 utvecklingskohort och n = 15 504 valideringskohort) visade att TRISS systematiskt överskattade överlevnaden hos äldre trubbigt skadade patienter [4]. För patienter $\geq 75$ år med höftfraktur var TRISS diskrimination i praktiken oanvändbar (AUROC omkring 0,52, alltså nära slump). När ålder hanterades som en kontinuerlig variabel och ASA-klassificering lades till, steg AUROC till 0,74 för denna subgrupp och kalibreringen förbättrades markant.

Begränsningar

TRISS åldershantering är den enskilda största svagheten. Genom att dikotomisera vid 55 år ger modellen en 56-årig och en 86-årig patient identisk åldersrelaterad mortalitetsreduktion [2, 4]. I en åldrande traumapopulation, där särskilt fallolyckor bland äldre utgör en växande andel av traumainsjukningar, leder detta till systematiskt för hög $P_s$ och därmed negativa benchmark-siffror för centra med många äldre patienter [4].

Modellen saknar justering för komorbiditet. En tidigare frisk 70-åring och en 70-åring med grav hjärtsvikt eller aktiv malignitet får samma $P_s$ om fysiologiska och anatomiska variabler matchar. Holländska data visade att tillägg av ASA fysisk statusklass förbättrade prediktionen signifikant, särskilt bland äldre [4].

Saknade fysiologiska värden är ett praktiskt problem. Patienter som intuberats före ankomst saknar ofta kompletta GCS-värden, och RTS kan därmed inte beräknas på ett entydigt sätt. I den ursprungliga MTOS-kohorten uteslöts sådana patienter, vilket ger optimistisk bias eftersom de som saknar data är mer benägna att dö [2].

Utfallsdefinitionen skiljer sig mellan system. TRISS koefficienter härleddes med överlevnad vid utskrivning från traumacentret, medan flera nationella register använder 30-dagarsmortalitet oavsett sjukhusvistelse [2]. Detta ger positiv bias för TRISS eftersom patienter som dör efter överflytt till annan vårdplats inte räknas.

Skademekanismens roll som separat modell (trubbigt vs penetrerande) förutsätter att proportionerna mellan dessa i den aktuella populationen liknar dem i MTOS. Originalkohorten hade 32 % penetrerande trauma, medan en nordisk population hade omkring 9 % [2]. För populationer med få skjutskador kan koefficienterna för penetrerande trauma vara instabila.

TRISS är inte ett triageverktyg. Det ger ingen vägledning om prioritetsordning vid ankomst eller om vilken patient som ska gå till operation först. Det är uteslutande ett register- och kvalitetssäkringsinstrument för retrospektiv jämförelse av observerad mot förväntad mortalitet.

Källor

1. Boyd CR, Tolson MA, Copes WS. Evaluating trauma care: the TRISS method. J Trauma. 1987;27(4):370-8. PMID: 3106646
2. Skaga NO, Eken T, Søvik S. Validating performance of TRISS, TARN and NORMIT survival prediction models in a Norwegian trauma population. Acta Anaesthesiol Scand. 2018;62(2):253-266. PMID: 29119562
3. Maeda Y, Ichikawa R, Misawa J m.fl. External validation of the TRISS, CRASH, and IMPACT prognostic models in severe traumatic brain injury in Japan. PLoS One. 2019;14(8):e0221791. PMID: 31449548
4. de Munter L, Ter Bogt NCW, Polinder S m.fl. Improvement of the performance of survival prediction in the ageing blunt trauma population: a cohort study. PLoS One. 2018;13(12):e0209099. PMID: 30562397