使用机器学习预测儿童急诊室的败血症治疗决策:AiSEPTRON研究
Sylvester Gomes1, Harpreet Dhanoa2, Phil Assheton2
1Evelina London Children's Hospital, London, UK sylvester.gomes@gstt.nhs.uk.
BMJ paediatrics open
|May 15, 2025
概括
机器学习准确地预测了急诊室疑似败血症儿童的抗生素使用情况. 模型显示预测重症监护和严重感染的准确度中等,有助于早期干预.
科学领域:
- 儿科急救医学 儿科急救医学
- 临床信息学 临床信息学
- 医疗保健中的人工智能
背景情况:
- 在儿童中早期发现败血症对于有效治疗和改善结果至关重要.
- 目前的儿科败血症风险评分往往不足以快速诊断急诊室.
- 开发先进的诊断工具对于及时的败血症管理至关重要.
研究的目的:
- 创建和评估机器学习 (ML) 模型,用于预测儿科败血症病例中的临床干预和患者结果.
- 加强在急诊室设置中的儿童败血症的早期检测.
- 利用ML改善儿科患者的败血症风险分层.
主要方法:
- 进行了一项追溯观察性研究,使用来自英国第三级护理医院的电子健康记录.
- 机器学习模型,包括XGBoost,使用选和血液测试后数据的15个关键预测因素进行了开发和验证.
- 使用自然语言处理 (NLP) 将非结构化分拣笔记信息集成到预测模型中.
主要成果:
- 选模型预测了抗生素的使用,AUC为0.80.
- 模型在预测重症监护 (AUC 0.78) 和严重感染 (AUC 0.76) 中表现出适度的准确性.
- 确定的关键预测因素包括分拣类别,温度,毛细血管补充时间和C反应性蛋白.
结论:
- 机器学习模型在预测儿科败血症早期抗生素使用方面表现出显著的准确性.
- 这些模型为重症监护和严重感染的结果提供了适度的预测能力.
- 需要进一步的研究和外部验证,以优化这些ML工具用于临床实践.
