相关实验视频
Updated: Jan 16, 2026
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
478
在急诊室使用机器学习预测早期的败血症
Raymond J van Wijk1, Sunil Belur Nagaraj2, Jan C Ter Maaten3
1Department of Acute Care, University Medical Center Groningen, University of Groningen, Hanzeplein 1, 9713 GZ Groningen, the Netherlands.
The American journal of emergency medicine
|September 30, 2025
概括
机器学习模型准确地预测早期败血症患者的器官损伤和死亡率. 这些模型的性能优于传统的评分系统,为及时干预提供了更好的临床决策支持.
科学领域:
- 关键护理医学 关键护理医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 早期识别败血症对于及时干预和减少器官损伤或死亡至关重要.
- 目前的临床评分 (qSOFA, NEWS) 对与败血症相关的结果的预测准确性有限.
- 现有的分数需要手动输入,无法整合多种数据源.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测早期败血症中器官损伤和30天死亡率.
- 将ML模型的性能与传统评分系统 (qSOFA, NEWS) 的性能进行比较.
- 评估ML模型在改善败血症患者风险分层方面的有用性.
主要方法:
- 对1431名疑似败血症ED患者前性收集的数据进行了后期分析.
- 从电子健康记录和床边测量中提取了149个例行收集的临床参数.
- 开发使用10倍交叉验证的ML模型来预测器官损伤和30天死亡率.
主要成果:
- 在ML模型中,器官损伤的AUROC为0.798,30天死亡率为0.808.
- 性能明显优于qSOFA (AUROC 0.557-0.577) 和 NEWS (AUROC 0.576-0.610) 的表现.
- 关键的贡献参数包括血清肌素,SOFA得分,ISAR-HP得分和临床印象.
结论:
- 机器学习模型在早期败血症中表现出对器官损伤和死亡率的优异预测性能.
- 常规可用的紧急部门数据可以有效地被ML模型利用.
- ML模型显示了作为治疗败血症管理的有价值的临床决策支持工具的潜力.
