相关实验视频
Updated: Sep 18, 2025

07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
319
基于人工智能的算法的验证,用于预测性能的性能和毒症风险分层,使用住院患者的真实世界数据:一项前性观察性研究
Ji-Hyun Kim1, KyungHyun Lee2, Kwang Joon Kim3,4
1Medical Affairs, Aitrics Co Ltd, Seoul, Republic of Korea.
BMJ health & care informatics
|June 20, 2025
概括
与传统方法相比,VitalCare-SEPsis评分 (VC-SEPS) 算法在预测败血症方面表现优越. 这种人工智能工具有助于临床医生在早期败血症诊断和干预中,改善患者护理.
科学领域:
- 医疗人工智能 医疗人工智能
- 临床决策支持系统 临床决策支持系统
- 败血症预测预测的方法
背景情况:
- 败血症的诊断是具有挑战性的,因为它的异质性质,经常推迟关键干预.
- 传统的评分系统在准确和早期预测败血症方面存在局限性.
- 很少有研究前性地将AI算法与用于败血症预测的传统评分系统进行了比较.
研究的目的:
- 为了前性地验证VitalCare-SEPsis评分 (VC-SEPS) 的预测性表现和风险分层,以早期检测败血症.
- 将基于深度学习的VC-SEPS算法的有效性与传统的评分系统进行比较.
主要方法:
- 一项前性观察性研究,涉及凯大学东山医院的6455名住院患者.
- 收集和分析了电子病历数据,325名患者被诊断患有败血症.
- 通过使用接收器操作特征曲线下的面积来评估VC-SEPS的预测性能.
主要成果:
- 与传统的评分系统相比,VC-SEPS在接收器操作特征曲线 (0.880) 下显示出更高的区域.
- 该算法始终在24小时内预测败血症风险.
- VC-SEPS预测败血症平均比操作定义诊断时间早68.05分钟.
结论:
- 通过提供风险评分,VC-SEPS可以帮助医疗保健专业人员早期诊断和干预败血症.
- 通过VC-SEPS促进的早期识别可以显著减少识别和干预之间的时间.
- 实施像VC-SEPS这样的临床决策支持系统可以提高医院的工作流程和医疗护理的质量.

