相关实验视频
Updated: May 31, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
138
以人工智能驱动的创新,通过在紧急情况下将预测准确度与血清分析相结合,用于早期毒症检测:回顾性研究
Tai-Han Lin1, Hsing-Yi Chung1, Ming-Jr Jian1
1Division of Clinical Pathology, Department of Pathology, Tri-Service General Hospital, National Defense Medical Center, Taipei, Taiwan.
Journal of medical Internet research
|January 24, 2025
概括
这项研究开发了一个人工智能系统,使用全血细胞计与差异 (CBC+DIFF) 数据来早期检测败血症. 人工智能CDSS实现了高精度,使得患者护理速度更快,结果更好.
科学领域:
- 医疗信息学 医疗信息学
- 血液学 血液学 血液学
- 医疗保健中的机器学习
背景情况:
- 败血症是全球死亡的主要原因,早期检测对患者的生存至关重要.
- 目前的败血症诊断方法,包括临床评估和培养,往往缺乏及时干预所需的速度和特异性.
- 像老年人和ICU患者这样的弱势群体在快速毒症诊断方面存在独特的挑战.
研究的目的:
- 开发和实施新的机器学习模型,利用完全血清与差异 (CBC+DIFF) 数据来早期检测败血症.
- 将这些模型集成到人工智能临床决策支持系统 (AI-CDSS) 中,以加强在重症监护中的败血症管理.
主要方法:
- 通过使用CBC+DIFF数据对Tri-Service总医院 (1492名患者 (654例败血症病例) 的回顾性分析 (2023年9月至12月).
- 机器学习模型 (LGBM,随机森林,梯度提升) 在血液学和中性粒细胞数据上进行训练,在单独的数据集上进行验证.
- 性能最好的模型被集成到一个基于Web的AI-CDSS.
主要成果:
- 光梯度增强机 (LGBM) 模型实现了0.90的最高曲线下面积 (AUC),证明了卓越的预测准确性.
- 随机森林 (0.89AUC) 和梯度增强 (0.88AUC) 模型也在识别败血症方面表现出很高的表现.
- 由LGBM模型驱动的AI-CDSS已成功开发用于快速血症风险评估.
结论:
- 使用CBC+DIFF数据的机器学习模型提供了一种快速而准确的败血症检测方法,补充了传统的诊断.
- 人工智能-CDSS可以无地集成到临床工作流程中,提高败血症识别和患者护理的及时性和准确性.
- 这种方法简化了败血症诊断,而不依赖复杂或耗时的临床参数.
