相关实验视频
Updated: Jul 5, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
172
深度学习败血症预测模型对护理质量和生存率的影响
Aaron Boussina1, Supreeth P Shashikumar1, Atul Malhotra1
1Department of Medicine, University of California San Diego, San Diego, CA, USA.
NPJ digital medicine
|January 23, 2024
概括
一个深度学习模型,COMPOSER,显著降低了败血症死亡率,并改善了急诊室的败血症捆绑合规. 使用人工智能工具的早期败血症预测可以提高患者的治疗结果和临床护理.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 关键护理医学 关键护理医学
背景情况:
- 败血症是全球主要的死亡和严重疾病的原因.
- 早期的败血症识别对于改善患者的治疗结果至关重要.
- 有限的研究评估了人工智能算法对败血症预测的现实影响.
研究的目的:
- 评估 COMPOSER 深度学习模型对患者早期败血症预测结果的影响.
- 为了评估护士面临的最佳实践咨询 (BPA) 的有效性,由COMPOSER触发.
主要方法:
- 在两个急诊室 (ED) 进行的前后准实验性研究.
- 在2021年1月至2023年4月期间,包括6217名成年败血症患者.
- 使用贝叶斯结构时间序列与混调整的因果影响分析.
主要成果:
- COMPOSER的部署与1.9%的绝对减少住院败血症死亡率有关.
- 败血症捆绑合规性显著增加,绝对为5.0%.
- 与72小时序列器官衰竭评估 (SOFA) 得分变化减少4%相关.
结论:
- COMPOSER深度学习模型显示,它对患者的治疗结果产生了显著的积极影响.
- 通过 COMPOSER 预测早期的败血症导致死亡率降低和改善临床护理的坚持.
- 人工智能驱动的工具在改善现实世界临床环境中的败血症管理方面表现有前途.
