论文阅读：《The Benefits and Tradeoffs for Varied High-Severity Injury Risk Thresholds for Advanced Autom》

  论文全名：The Benefits and Tradeoffs for Varied High-Severity Injury Risk Thresholds for Advanced Automatic Crash Notification Systems

1 背景

  Advanced Automatic Collision Notification (AACN)，高级自动碰撞通报系统，这个系统的作用是帮助紧急医疗人员更好、更快地确定车祸后驾驶者是否需要在创伤中心接受治疗。

  根据论文名可以看出，这篇论文是主要是去讨论，不同的高伤害风险阈值，对于AACN系统的利弊权衡。直观上理解就是，这个阈值决定了创伤中心是否需要去及时救治车辆事故人员，也就是说AACN是否会通报这起事故为严重事故。因此这个阈值的设置需要严格去评估。

  具体的伤害定义是采用的AIS code，这个代码分6个等级，3-6级别的code被认为是比较严重的事故。AACN在应用时，会去根据碰撞当时的车辆信息，去预测这次事故的AIS等级，根据等级决定是否向创伤中心发送通报。另外还有一个ISS（injury severity score），也是评估创伤等级的，大于15被认为是严重的。

  关于AIS和ISS的区别说明：The injury severity score (ISS) is an anatomical scoring system that provides an overall score for patients with multiple injuries. Each injury is assigned an abbreviated injury scale (AIS) score and is allocated to one of six body regions. The highest AIS score in each body region is used.

2 本文目标

  本文的主要目标有2：

1. 刻画CDC（Centers for Disease Control and Prevention）推荐的20%概率ISS>15的受伤人群
2. 探索AACN将风险阈值设置为10%和20%的情况下的利弊

3 方法

  这项研究分为两个阶段：

1. 利用现有的两个伤害风险模型去给那些有拖车拖走的事故分配一个受伤概率
2. 评估伤害概率的准确性，以及被捕获的人群的特征

3.1 数据来源

  数据来自NASS-CDS，这个数据集每年会收录3000-4000个碰撞事件，每个事件包含400+个属性，包含事故车辆信息、人员受伤情况等等。

3.2 数据分析

  使用逻辑回归，对前排外侧座位的人员的受伤程度进行预测，分成两个二分类模型，各自的输出为：

• AIS code是否大于等于3
• ISS score是否大于15

所用到的属性包含以下5个维度：

1. Total delta V：涉事车辆的速度变化
2. 碰撞方向：结合碰撞区域和PDOF，定义碰撞方向
3. 前排乘客是否使用安全带
4. 存在多个碰撞事件，触发了ACN系统的求助
5. 发生一次或多次四分之一圈侧翻事件

对每个模型，每个特征独立分析评估，上述特征有任何缺失的数据，都直接丢掉。数据选择2002-2012年，训练集80%，测试集20%。

  模型结果分析分成两组，一组是平面撞击，另一组是有侧翻的撞击。平面撞击进一步分为4组：分别是前端，近侧，远侧，后端，近侧碰撞是指受损区域最接近选定的目标乘员，而远侧碰撞是指平面受损区域位于与所选乘员相对的车辆一侧。侧翻碰撞事件也会细分，根据后续或之前的平面撞击的存在与否，或仅编码为侧翻。

  对于纯侧翻事件，模型不会包含delta v。涉事人员根据年龄分为3组，分别是16-54，55-74，75+。下面这个表，展示了所使用特征在数据集中的占比情况。

3.3 结果

  下面两个图分别展示了，不同MAIS3+概率和ISS>15概率，对应的人群比例。

然后下面这个图展示了以10%和20%为伤害风险阈值，模型的敏感度，这里的敏感度定义为：超出给定伤害阈值的人的占比，相应的non那一列就代表低于给定阈值。右侧那部分代表加入了年龄的模型。

  总得来说，10%相对于20%阈值来说，可以覆盖更多的严重碰撞子集。

4 总结

  这篇文章通过碰撞时候的速度变化、受力方向等特征进行碰撞严重等级的评估，数据也是来自真实的事故集合，NASS/CDS数据集，尽管数据集中有很多数据缺失的情况，但是文章也进行了充分的数据清洗工作，尽可能让模型结果更加可靠。文章还对10%和20%阈值对严重伤害碰撞的覆盖进行了评估，是个值得学习的好办法。