使用机器学习模型优化脓毒症治疗时间

研究人员说，一种新的机器学习模型可以估计败血症的最佳治疗时间，可以为支持工具铺平道路，帮助医生在患者床边做出个性化的治疗决策。

在发表在《自然机器智能》上的一篇论文中，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的复杂问题。

时间至关重要，因为败血症是身体对感染的压倒性反应，可以迅速导致器官衰竭。然而，它的症状 - 发烧，低血压，心率加快和呼吸问题 - 可能看起来像许多其他疾病。联邦指南要求将广谱抗生素作为第一道防线进行快速治疗，这种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。

该模型的设计考虑了这些不确定性和时间压力。

研究人员使用来自美国数据库和欧洲数据库的重症监护患者信息测试了该模型的性能，将实际治疗与模型推荐的治疗时间表相匹配的患者的结果与实际治疗与模型根据其生命体征、实验室结果和风险相关人口统计数据推荐的患者的结果进行比较。代表结局的指标是脓毒症治疗后30天和60天的患者生存率。

“我们表明，当实际治疗和人工智能一致时，我们的死亡率会更低。如果他们不同意，死亡率可能高达25%，“资深作者，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Ping Zhang博士说。

该模型在从公开可用的数据库(称为MIMIC-III)获得的数据集上进行训练和验证。该模型在MIMIC-III的不同部分和AmsterdamUMCdb的新外部数据集上进行了测试。

来自近14，000名脓毒症患者的关键措施包括随着时间的推移改变患者生命体征和实验室测试结果 - 作为疾病严重程度和感染类型的指标 - 以及一种创新方法，旨在比较在特定时间接受和未接受抗生素的患者的结果。

“我们希望模型能够预测在特定时间使用抗生素是否有益 - 是或否。但我们永远不会知道如果我们不给予抗生素会发生什么。因此，我们将临床试验概念应用于该模型：对于每个服用该药物的患者，我们包括当时没有服用抗生素的匹配，临床上相似的患者，“负责医学实验室人工智能的张说，也是俄亥俄州立大学转化数据分析研究所的核心教员。

“这样，我们可以预测反事实结果，并训练反事实治疗模型，以发现败血症的治疗是否有效。

败血症占院内死亡的三分之一以上，最常见于重症监护室和急诊科，“我们经常在没有黄金标准的情况下做出决定 - 来自文化的结果，”该研究的共同作者Katherine Buck博士说，他是医学院急诊医学助理教授，俄亥俄州韦克斯纳医学中心老年急诊科主任。“并非每个符合败血症标准的患者都能继续获得细菌感染的证据。

抗生素并非没有风险 - 它们可能对肾脏有毒，引发过敏反应或导致艰难梭菌，这是一种导致严重腹泻和结肠炎症的感染。

“这篇论文开始得到的是，我们是否可以使用临床医生可用的信息，有时在最前沿，有时不是，说，事情正在发生变化，表明患者将从抗生素中受益，”巴克说。“决策支持工具可以告诉临床医生它是否符合我们已经在想的东西，或者促使我们问自己我们错过了什么。希望随着时间的推移，我们拥有的所有电子健康记录数据都将揭示信号 - 从那里弄清楚如何使用它们以及如何将其提供给临床医生。

张说，这些见解 - 以及电子健康记录数据的可用性 - 对于为模型提供正确的数据并设计它以考虑不断变化的医疗环境带来的多种考虑因素非常重要。

“我们对患者记录进行了建模，就像它是语言一样，”他说。“对于机器学习，我们总是逐批训练模型——你需要模型来分析数据模式，设置参数，并根据这些参数添加另一个训练数据集以进行改进。然后机器总能找到更好的参数来适应模型。

用于指导模型如何得出建议的关键指标是序贯器官衰竭评估 (SOFA) 评分，该评分用于根据六项实验室测试的结果定期评估 ICU 患者的器官系统表现。研究人员运行了示例案例研究，以演示为临床环境开发的界面可能是什么样子，显示了当模型根据个性化患者数据的变化调整推荐的治疗时间表时，SOFA评分如何变化。

“我们的论文是第一个使用人工智能来寻求败血症抗生素推荐的论文，使用真实世界的数据来帮助临床决策，”张说。“任何像这样的研究都需要临床验证——这是回顾性数据分析的第一阶段，第二阶段将涉及人类与人工智能的合作，以获得更好的患者护理。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！