开发和验证用于早期检测未经治疗的感染的机器学习模型
Kevin G Buell1, Kyle A Carey1, Nicole Dussault2
1Department of Medicine, University of Chicago Medical Center, Chicago, IL.
Critical care explorations
|October 11, 2024
概括
这项研究开发了一种未经治疗的感染早期检测模型 (eDENTIFI),以改善抗生素的使用. 人工智能工具能够更早地准确地识别感染,减少感染患者的治疗延迟和对未感染个体不必要的抗生素处方.
科学领域:
- 人工智能在医学中的应用
- 临床决策支持系统 临床决策支持系统
- 传染病诊断 诊断 传染病诊断
背景情况:
- 早期感染时的诊断不确定性会导致延迟或不必要的抗生素给药.
- 优化抗生素管理对于患者的治疗结果和打击抗菌素耐药性至关重要.
研究的目的:
- 开发和验证一个机器学习模型,eDENTIFI,用于早期检测未经治疗的感染.
- 改善住院成年患者感染诊断的准确性和及时性.
主要方法:
- 在常规可用的患者数据 (人口统计,生命体征,实验室) 上训练了一种渐变增强机器模型.
- 该模型预测了在6小时窗口内未经治疗的感染.
- 在单独的患者队列中,使用接收器操作特征曲线 (AUC) 下的面积来验证模型性能.
主要成果:
- 在验证队列中,eDENTIFI模型实现了0.80的AUC,超过了全身炎症反应综合征标准 (AUC0.64).
- 在eDENTIFI检测到的感染中位数是比抗菌药物更早的2.0小时.
- 人工智能引导的抗生素给药可以减少不必要的IV抗生素在非感染患者的使用46.4%.
结论:
- eDENTIFI模型显示,它有可能减少感染患者抗菌药物使用的时间.
- eDENTIFI还可以减少非感染患者不必要的抗生素使用.
- 为了广泛的临床实施,建议进行进一步的前性验证.
