使用机器学习模型优化脓毒症治疗时机

研究人员说，一种估计败血症最佳治疗时间的新机器学习模型可以为支持工具铺平道路，帮助医生在患者床边个性化治疗决策。

在Nature Machine Intelligence上发表的一篇论文中，俄亥俄州立大学的科学家描述了这种新模型，该模型使用人工智能来解决何时对疑似败血症患者使用抗生素这一复杂问题。

时间至关重要，因为败血症是人体对感染的压倒性反应，可迅速导致器官衰竭。然而，它的症状——发烧、低血压、心率加快和呼吸困难——可能看起来与许多其他病症相似。联邦指南呼吁将广谱抗生素作为第一道防线进行快速治疗——这一策略通常需要在从实验室获得确认细菌感染的培养物之前采取行动。

该模型旨在考虑这些不确定性和时间压力。

研究人员使用美国数据库和欧洲数据库中的重症监护患者信息测试了该模型的性能，将实际治疗符合模型推荐治疗时间表的患者的结果与实际治疗与模型建议的治疗时间不同的患者的结果进行了比较关于他们的生命体征、实验室结果和与风险相关的人口统计数据。代表结果的衡量标准是脓毒症治疗后 30 天和 60 天的患者存活率。

“我们表明，当实际治疗与人工智能一致时，我们的死亡率较低。如果他们不一致，死亡率可高达 25%，”资深作者 Ping Zhang 博士说，俄亥俄州立大学计算机科学与工程和生物医学信息学助理教授。

该模型在从公共数据库MIMIC-III获得的数据集上进行了训练和验证。该模型在 MIMIC-III 的不同部分和来自AmsterdamUMCdb 的新外部数据集上进行了测试。

来自近 14,000 名败血症患者的关键措施包括患者生命体征和实验室测试结果随着时间的推移而发生的变化——作为疾病严重程度和感染类型的指标——以及一种旨在比较接受和未接受抗生素治疗的患者结果的创新方法在特定时间。