在儿科重症监护室使用机器学习进行血液培养的诊断管理
Blake Martin1,2, Peter E DeWitt2, Marisa Payan3
1Section of Critical Care Medicine, Department of Pediatrics, University of Colorado School of Medicine, Aurora, Colorado.
Hospital pediatrics
|May 21, 2025
概括
机器学习模型可以识别血流感染 (BSI) 风险较低的重症儿童,可能减少不必要的血液培养,并改善短缺期间的诊断管理.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用.
背景情况:
- 最近缺乏血液培养媒体瓶的情况凸显了改善诊断管理的必要性.
- 血流感染 (BSI) 是儿科重症监护室 (PICU) 的一个问题.
- 在重症儿童中BSI的低率表明风险分层的可能性.
研究的目的:
- 设计和验证一种机器学习 (ML) 模型,用于识别BSI风险较低的儿童.
- 加强血液培养诊断管理,特别是在媒体短缺期间.
- 为了减少在儿科重症监护机构中进行的不必要的血液培养的数量.
主要方法:
- 开发了一个极端梯度增强的ML分类器,使用回顾性儿科重症监护室 (PICU) 患者数据.
- 包括来自3个月至18岁儿童的数据,血液培养是在PICU入院后24小时内进行的.
- 利用了121个变量,对20%的数据集进行了时间验证,负预测值 (NPV) 作为主要指标.
主要成果:
- 该ML模型在训练组中实现了0.997的高NPV,在测试组中达到0.993.
- 该模型准确地确定了25-28%的血液培养为负的.
- 低BSI风险的关键预测因素包括中枢线的存在,温度变化速度和平均血小板体积.
结论:
- 一个经过验证的ML模型可以准确预测重症儿童超过25%的阴性血液培养.
- 未来的实施可能会显著减少不必要的血液培养.
- 这种方法为优化血液培养利用和管理资源稀缺提供了有价值的工具.
相关概念视频
01:25Rapid Identification of Pathogens
MALDI-TOF MS has transformed clinical microbiology by offering a rapid and reliable method for pathogen identification. The traditional approach to microbial identification typically involves time-consuming culture techniques and biochemical tests, which can delay the initiation of appropriate antimicrobial therapy. MALDI-TOF MS avoids these delays by using characteristic ribosomal protein mass patterns of microbial cells, enabling accurate species-level identification within minutes.Principle...
01:24Automated Microbial Diagnostics
Automated diagnostic analyzers have transformed clinical microbiology by providing rapid and reliable methods for pathogen identification and antibiotic susceptibility testing. Among these systems, the Vitek 2 is widely used because it automates the traditionally labor-intensive processes of microbial identification (ID) and antibiotic susceptibility testing (AST), delivering standardized and timely results that are essential for effective patient care.Microbial Identification with ID CardsThe...