完整血清和单细胞分布 基于宽度的机器学习算法用于检测败血症:多中心开发和外部验证研究

科学领域:

• 临床医学 临床医学
• 生物医学工程 生物医学工程
• 医疗保健中的人工智能

背景情况:

• 败血症是感染导致的危及生命的器官功能障碍,需要早期检测才能改善患者的治疗结果.
• 单细胞分布宽度 (MDW) 是一个公认的败血症生物标志物,但其临床实用性受到敏感性差和积极预测值的限制.
• 现有的用于毒症检测的机器学习 (ML) 模型往往在现实世界的临床环境中表现出差的概括性.

研究的目的:

• 开发和验证使用MDW和全血细胞计 (CBC) 参数进行早期败血症检测的ML模型.
• 提高ML模型在不同临床环境中的通用性和稳定性,解决分布外的挑战.
• 利用可控制的人工智能技术,包括谨慎分类和可解释的人工智能,以提高败血症检测准确性和模型可解释性.

主要方法:

• 一项多中心研究,涉及意大利5家医院的5344名患者,用于训练和外部验证ML模型.
• 模型被训练在急诊室的数据上,并对各种各样的队列 (急诊室和重症监护室) 进行验证,展示了各种数据分布轮班.
• 纳入可控制的人工智能技术,如谨慎分类和可解释的人工智能,以提高模型的稳定性并提供诊断见解.

主要成果:

• 开发的ML模型实现了高的内部验证性能 (AUC 0.91-0.98) 和一致的外部验证结果 (AUC 0.75-0.95).
• 这些模型在不同队列中检测败血症的表现优于传统的生物标志物和现有的最先进的ML模型.
• 可控制的人工智能技术提高了模型性能,并促进了可解释的诊断规则的推导.

结论:

• 可控制的人工智能方法集成CBC和MDW显示出早期和准确检测败血症的巨大潜力.
• 拟议的方法产生了对数据分布转移更有弹性的ML模型,提高了它们的临床适用性.
• 这项研究突出了开发更可靠的人工智能驱动的诊断工具的途径,用于治疗诸如败血症等严重疾病.