目的 评估一个结合头部CT扫描和临床信息的深度学习预后模型，以预测重型颅脑损伤(severe  traumatic brain injury，STBI)预后的长期结果。 方法 回顾性分析本院2020年1月至2023年4月收治的537名STBI患者的临床资料，应用头部CT卷积神经网络预测6个月后死亡率和不良结局，形成整体融合模型等。并纳入同期的220名STBI患者对模型进行评估，将融合模型与国际预后和临床试验分析TBI模型(IMPACT)和三位专科医生的预测进行比较，AUC曲线下面积被用作主要模型性能指标。 结果 在内部数据集上，融合模型在预测死亡率(AUC，0.92[95%CI：0.86，0.97]vs 0.80[95%CI：0.71， 0.88]；P=0.001)和不良结局(AUC，0.88[95%CI： 0.82，0.94]vs 0.82[95%CI：0.75，0.90]；P=0.04) 方面比IMPACT模型有更高的AUC。在创伤性脑损伤试验中，与IMPACT模型(AUC，0.83；95%CI： 0.77，0.90)相比，没有证据表明任何模型在预测死亡率方面存在显著差异。影像模型(AUC，0.73； 95%CI：0.66-0.81；P=0.02)和融合模型(AUC， 0.68；95%CI：0.60，0.76；P=0.02)在预测不良结局方面不如IMPACT模型(AUC，0.83；95%CI： 0.77，0.89)。融合模型的表现超过了专科医生的预测。结论 头部CT和临床信息的深度学习模型可以用来预测重型颅脑损伤后6个月的预后。