相关实验视频
Updated: Jul 8, 2025

07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
177
开发和验证与临床工作流程集成的机器学习模型,用于早期检测败血症
Mohammed A Mahyoub1,2, Ravi R Yadav1, Kacie Dougherty1
1Advanced Analytics and Solutions, Virtua Health, Marlton, NJ, United States.
Frontiers in medicine
|December 11, 2023
概括
一种新的败血症预测模型显著减少了电子医疗记录 (EMR) 中的错误报警. 这种人工智能工具可以改善早期的败血症检测,帮助临床医生做出关键护理决策.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临床决策支持 临床决策支持
背景情况:
- 败血症是一种危急,危及生命的疾病,需要及时诊断和干预.
- 全球数百万受感染者强调迫切需要改进败血症管理策略.
研究的目的:
- 使用系统设计方法开发和部署准确的败血症预测模型.
- 在电子医疗记录 (EMR) 系统中增强早期败血症检测.
- 为了减少与当前败血症警报相关的错误阳性率.
主要方法:
- 系统地设计和构建了败血症的预测模型.
- 临床反指导了模型相关数据元素的选择.
- 使用XGBoost算法进行预测,Shapley值确保了可解释性.
- 该模型成功地集成到广泛使用的EMR系统中.
主要成果:
- 部署前的性能显示高精度 (92%的灵敏度,93%的特异性).
- 在部署后,该模型保持了强的性能 (91%的灵敏度,94%的特异性).
- 与现有的商业模式 (30%) 相比,该模型实现了明显较低的假阳性率 (6%).
结论:
- 开发的败血症预测模型显示了高的有效性和临床价值.
- 该模型显示了改善及时毒症检测和减少不必要的临床警报的潜力.
- 建议进行进一步的研究,以评估长期概括性和患者结果的影响.

