开发和验证在急诊室没有实验室结果的败血症查工具:一个机器学习研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 临床决策支持 临床决策支持

背景情况:

• 败血症是一个重大的全球卫生挑战,需要快速识别和治疗,以改善患者的生存率.
• 目前的败血症查通常依赖于耗时的实验室结果,延迟了关键干预.
• 开发快速的非实验室查工具对于急诊室 (ED) 的设置至关重要.

研究的目的:

• 开发一个快速的败血症查工具 (qSepsis),利用机器学习 (ML) 和来自ED的非实验室临床数据.
• 为了比较开发的qSepsis工具的性能与已建立的临床评分来评估败血症风险.
• 评估qSepsis在资源有限的环境中早期检测败血症的潜力.

主要方法:

• 一项回顾性研究分析了武汉大学中南医院ED的414,864名患者 (2015-2022).
• 三个ML算法 (逻辑回归,随机森林,极端梯度提升) 用于导出qSepsis工具.
• 性能与系统性炎症反应综合征 (SIRS),快速败血症相关器官衰竭评估 (qSOFA) 和使用AUROC和AUPRC指标修改的早期预警分数 (MEWS) 进行了基准测试.
• 外部验证使用MIMIC-IV ED数据库进行.

主要成果:

• 对qSepsis的后勤回归模型实现了内部的AUROC为0.862,外部的AUROC为0.766.
• 在外部验证中,qSepsis与SIRS (AUROC 0.704),qSOFA (AUROC 0.579) 和MEWS (AUROC 0.600) 相比显示出更好的预测性能.
• qSepsis模型的AUPRC达到0.213,显著超过SIRS (0.071),qSOFA (0.096) 和MEWS (0.083) 的表现.

结论:

• 在非实验室ED数据上使用ML开发的qSepsis工具,在现有临床评分上表现出优越的预测性能.
• 血症有可能在医院前和ED设置中进行快速血症查,特别是在实验室访问有限的地方.
• 需要进一步评估,以解决该工具的低正预测值和临床实践中虚假警报的潜力.