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
机器学习和深度学习模型用于早期败血症预测:一个范围审查
Hemalatha Shanmugam1, Lavanya Airen1, Saumya Rawat1
1Department of Research, PanScience Innovations, New Delhi, India.
概括
机器学习和深度学习模型显示,使用电子健康记录对早期败血症预测具有重大前景. 这些人工智能方法在识别败血症时,往往优于传统方法和人类临床医生.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 临床决策支持 临床决策支持
背景情况:
- 败血症检测对于患者的生存至关重要,但传统方法有局限性.
- 人工智能 (AI),包括机器学习 (ML) 和深度学习 (DL),为败血症预测提供先进的解决方案.
- 电子健康记录 (EHR) 为开发人工智能驱动的预测模型提供了丰富的数据来源.
研究的目的:
- 在2022年至2025年之间发布的ML和DL模型进行血症预测的范围审查.
- 为临床医生提供关于人工智能用于败血症检测的最新进展的全面更新.
- 分析这些模型的特征,数据处理,性能和临床集成.
主要方法:
- 在2025年3月11日进行了一项PubMed搜索,确定了13项相关研究.
- 该审查侧重于使用EHR数据开发的ML和DL模型,用于使用EHR数据预测成人败血症.
- 包括2022年至2025年发表的研究.
主要成果:
- 监督ML是主要的方法,一些研究探索DL和混合模型.
- 模型使用标准的临床数据 (生命体,实验室) 和扩展的特征 (人口统计,心电图).
- 与传统方法和临床医生相比,人工智能模型表现出优异的预测性能 (AUROC,灵敏度,特异性),其中包括联合学习和EHR集成等创新.
结论:
- 人工智能,ML和DL模型显示出早期败血症检测的巨大潜力.
- 临床采用需要进一步的现实世界验证和增强的模型解释性.
- 人工智能工具的标准化对于在医疗保健环境中实际实施至关重要.
