利用人工智能优化重症监护室的败血症抗生素剂量:前性观察性研究 (KI.SEP) 的研究方案

科学领域:

• 药理动力学和药理动力学
• 机器学习在医学中的应用
• 临界护理医学 临界护理医学

背景情况:

• 有效的抗生素治疗对于败血症治疗至关重要,但患者的变化使最佳剂量复杂化.
• 治疗药物监测 (TDM) 有局限性,包括缺乏初始调整和全球可用性,往往导致抗生素血清度低于最佳 (ASC).
• 目前的方法难以预测和保持ASC在治疗范围内,因为患者间的显著变化.

研究的目的:

• 开发和验证基于机器学习 (ML) 的模型,用于预测败血症患者的抗生素血清度 (ASC).
• 创建能够处理各种临床,实验室,微生物学和蛋白质基因数据的算法,以实现个性化的抗生素剂量.
• 为将ML模型集成到临床决策支持系统中,为自动化,优化败血症治疗提供基础.

主要方法:

• 一项前性观察性研究,涉及200名败血症患者 (100人服用皮佩拉西林/塔扎巴克坦,100人服用美罗) 在德国一所大学医院的ICU.
• 从第1至第8天和第30天或出院后收集TDM的临床,实验室和血液样本.
• 开发了两个ML模型:一个使用常规临床参数,另一个采用扩展的非标准数据,以提高ASC预测的精度.

主要成果:

• 开发了ML模型,以预测抗生素血清度 (ASCs) 在第1天至第8天之间.
• 该研究旨在证明使用ML来优化败血症中抗生素剂量的可行性.
• 这些模型旨在集成到临床决策支持系统中,以促进个性化治疗建议.

结论:

• 机器学习提供了一个有希望的方法来克服传统治疗药物监测在败血症的局限性.
• 使用全面的患者数据开发预测模型可以导致更精确,更有效的抗生素剂量策略.
• 这项研究为在重症监护机构的先进,数据驱动的临床决策支持工具铺平了道路.