相关实验视频
Updated: Jul 19, 2025

07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
249
使用跨国际站点的深度学习预测败血症:一项回顾性发展和验证研究
Michael Moor1,2,3, Nicolas Bennett4, Drago Plečko4
1Department of Biosystems Science and Engineering, ETH Zurich, Basel 4058, Switzerland.
EClinicalMedicine
|August 17, 2023
概括
一个新的深度学习模型准确地预测了重症监护室 (ICU) 中的败血症,在发病前3.7小时检测到80%的病例. 这种早期检测为及时干预和改善患者结果提供了关键的窗口.
科学领域:
- 人工智能在医学中的应用
- 关键护理医学 关键护理医学
- 机器学习用于医疗保健
背景情况:
- 早期检测败血症至关重要,因为在诊断时器官损伤可能是不可逆转的.
- 机器学习对早期败血症预测有希望,但缺乏国际验证.
- 当前的诊断方法往往落后于疾病进展,影响患者的预后.
研究的目的:
- 开发和外部验证一个深度学习系统,用于在重症监护室 (ICU) 预测早期的败血症.
- 评估深度学习模型在多样化的国际ICU队列中的通用性.
- 将模型的性能与现有的临床和机器学习基线进行比较.
主要方法:
- 追溯性,观察性,多中心队列研究,涉及来自美国,荷兰和瑞士的136,478名ICU入院者 (2001-2016).
- 开发一个深度学习系统,使用每小时解析的数据和Sepsis-3定义进行败血症注释.
- 在多个数据库中进行了广泛的内部和外部验证,报告了接收器操作特征曲线 (AUC) 下的区域.
主要成果:
- 深度学习模型在各站点实现了内部平均AUC0.846,外部平均AUC0.761.
- 使用10%的现场数据进行微调,改善了外部验证的AUC到0.807.
- 该模型在发病前3.7小时检测到80%的败血症病例,虚假警报率低 (1.4个真实警报).
结论:
- 一个深度学习系统可以在国际上推广,用于实时检测ICU中的败血症.
- 该模型提供了一个重要的早期预警窗口,使得及时的临床干预成为可能.
- 这项研究代表了第一个国际,多中心的深度学习对ICU败血症预测的验证.

