使用人工智能预测严重创伤患者的败血症:一个多中心验证的队列研究

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
• 创伤护理 创伤护理

背景情况:

• 败血症对在重症监护室 (ICU) 中遭受重大创伤的患者构成重大威胁.
• 早期检测和治疗对于改善结果和降低死亡率至关重要.
• 在重创患者中预测败血症的现有临床工具是有限的.

研究的目的:

• 开发和验证人工智能 (AI) 平台,用于预测重创患者的败血症风险.
• 为医疗保健专业人员提供一种工具,以便及时识别高风险个体.
• 为了促进临床决策,并使得败血症的早期干预.

主要方法:

• 分析了961名患者的队列,包括244名重大创伤患者的前性数据和717名患者的回顾性数据.
• 机器学习算法 (逻辑回归,决策树,eXGBM,NN,随机森林,LightGBM) 用于模型开发.
• 模型使用内部 (8:2分) 和外部验证队列进行训练和验证.

主要成果:

• 在内部和外部验证队列中,LightGBM模型获得了最高的整体性能得分 (82).
• 内部验证显示神经网络 (NN) 模型具有最高的AUC (0.932),而外部验证则倾向于eXGBM模型 (AUC:0.891).
• 最终的模型包含了12个预测因素,包括伤害严重程度,生理参数和人口因素.

结论:

• 一个人工智能应用程序已成功开发和验证,用于评估重创患者的败血症易感性.
• 人工智能平台是医疗保健专业人员识别高风险患者的宝贵工具.
• 由人工智能应用程序促进的早期识别和干预可以改善主要创伤环境中的患者结果.