死亡率和抗生素时间在深度学习衍生的生存败血症运动风险组:一个多中心研究

科学领域:

• 关键护理医学 关键护理医学
• 传染性疾病 传染性疾病
• 医疗保健中的人工智能

背景情况:

• 目前的生存性败血症运动 (SSC) 准则建议根据败血症概率和休克存在的抗生素时间.
• 缺乏基于这些风险群体的客观患者分层和结果分析.
• 需要数据驱动的方法来完善败血症管理协议.

研究的目的:

• 使用深度学习 (DL) 模型客观地分层疑似败血症患者.
• 根据DL衍生的风险组和抗生素时间分析患者的结果,特别是短期死亡率.
• 为了评估抗生素给药时间对不同败血症风险层中的死亡率的影响.

主要方法:

• 观察性队列研究,利用来自两个卫生系统 (2016-2024) 的前性收集数据.
• 两种DL模型用于根据败血症概率和休克可能性将患者分为四个风险组.
• 主要结局:短期死亡率 (住院死亡率或过渡到临终关怀).

主要成果:

• 分析了34,163名可能患有败血症的成年患者.
• 风险组之间的死亡率有显著差异,高震荡可能性的群体的死亡率更高.
• 患有可能发生败血症且不太可能发生休克的患者,无论在1小时内还是3小时内服用抗生素,死亡率都相似.

结论:

• 使用DL模型的客观风险分层可以为败血症管理提供信息.
• 对于低风险患者 (不太可能发生休克),更温和的抗生素给药时间 (例如3小时) 可能不会增加死亡率.
• 研究结果表明,在某些败血症患者群体中,抗生素的使用可能更为明智,这需要进一步的前性验证.