通过时间序列深度学习利用例行收集的临床数据来改善细菌血流感染的识别:一个回顾性队列研究
Damien K Ming1, Vasin Vasikasin2, Timothy M Rawson3
1Centre for Antimicrobial Optimisation, Imperial College London, London, UK.
The Lancet. Digital health
|February 27, 2025
概括
使用深度学习模型预测血流感染可以帮助临床决策. 这些模型分析医疗保健数据,提供比传统血液培养更快的见解,改善患者护理和抗菌药物管理.
科学领域:
- 医疗信息学 医疗信息学
- 传染性疾病 传染性疾病
- 机器学习 机器学习
背景情况:
- 血液培养是诊断细菌血流感染的标准,但有24-48小时的周转时间.
- 及时诊断血液感染对于有效的患者治疗和管理至关重要.
研究的目的:
- 开发和评估血液感染的预测模型,使用例行收集的医疗保健数据.
- 评估深度学习模型的实用性,特别是长期短期记忆 (LSTM),用于预测血液感染.
主要方法:
- 一项回顾性队列研究利用了20850名患者的血液生物标志物和人口统计数据.
- 长期短期记忆 (LSTM) 和静态逻辑回归模型在血液采样前长达14天的数据上进行了训练.
- 模型性能通过在持久测试套件上使用接收机操作器曲线下的面积 (AUROC) 和精度回忆曲线下的面积 (AUPRC) 来评估.
主要成果:
- 在测试组中,LSTM模型与静态模型 (0.74) 相比,实现了显著更高的AUROC (0.97).
- 纵向数据分析,特别是C反应性蛋白的动态,乙氨基酸计数和血小板计数,对于准确的预测至关重要.
- 深度学习模型在预测血液感染方面表现出卓越的表现,特别是医院获得的病例.
结论:
- 结合纵向医疗保健数据的深度学习模型可以有效预测血液感染.
- 这些模型可以支持风险患者个性化的临床决策.
- 实施可以加强诊断管理,减少不适当的抗生素处方.
