通过对败血症机器学习模型的多站点外部验证来评估败血症观察概括性

科学领域:

• 医疗信息学 医疗信息学
• 临床决策支持系统 临床决策支持系统
• 医疗保健中的机器学习

背景情况:

• 败血症是导致死亡的首要原因,并在全球范围内造成大量医疗保健支出.
• 早期发现败血症对于改善患者的治疗结果和降低医疗保健成本至关重要.
• 机器学习 (ML) 模型为提升早期败血症检测提供了潜力.

研究的目的:

• 在社区医疗保健环境中验证杜克健康的败血症观察ML模型的可复制性和性能.
• 评估"败血症观察"模型对急诊室早期败血症检测的临床效用.
• 评估模型在不同地理和人口背景的可移植性.

主要方法:

• 从Summa Health的101,584名独特患者中分析了205,005例患者接触 (2020-2021年).
• 利用静态和动态患者数据的组合来预测败血症.
• 通过使用接收器操作特征曲线 (AUROC) 下面的区域和精度召回曲线 (AUPRC) 下面的区域评估模型性能.

主要成果:

• 败血症观察ML模型实现了高性能,AUROC范围从0.906到0.960.
• 在四个研究地点,AUPRC值从0.177到0.252不等.
• 该模型表现出强大而一致的性能,证实了它在新的医疗保健环境中的可重复性.

结论:

• 败血症观察ML模型是可复制的,并且在社区卫生系统中表现强大.
• 该模型的性能在不同的设置中保持一致,表明其可移植性.
• 这些发现支持了"败血症观察"模型对早期败血症检测的临床实用性.