无监督机器学习在识别污染冲击现象及其在医院的结果:一个多中心队列研究

科学领域:

• 关键护理医学 关键护理医学
• 内部医学 内部医学
• 病理生理学 病理生理学

背景情况:

• 败血性休克是一种复杂的综合症,尽管患者表现和潜在的病理生理学不同,但经常以同质的方式管理.
• 目前的风险分层方法,依赖于乳酸和评分系统,可能无法完全捕捉出败血症休克的异质性.
• 识别不同的患者亚现象类型对于改善管理策略至关重要.

研究的目的:

• 用入院数据识别不同的败血症冲击亚表型.
• 评估已识别的表型与医院治疗结果之间的关系.
• 根据表型指导的风险分层和个性化治疗方法提供信息.

主要方法:

• 对10,462名患有败血症休克的成年患者进行了回顾性多中心队列研究.
• 应用到招生人口统计和实验室参数的两步集群分析.
• 基于基线特征和医院治疗结果,对已识别的集群进行比较.

主要成果:

• 确定了两个不同的败血症休克表型 (集群1:n=5355,集群2:n=5107).
• 与集群2相比,集群1的早期生化严重程度和器官功能障碍更大 (乳酸,肌素,SOFA得分更高),但与集群2相比,住院死亡率和住院时间长度相似.
• 集群1需要更多的机械通风,急性损伤 (AKI) 的发生率更高,需要替代疗法 (RRT).

结论:

• 败血性休克至少存在两种不同的表型,其特点是不同程度的早期器官功能障碍.
• 尽管最初的严重程度和支持需求不同,但两种已确定的表型都显示出短期死亡率和住院时间的趋同.
• 这些发现挑战了单个参数严重性标记的实用性,并强调了需要以表型为指导的毒休克个性化管理的需要.