相关实验视频
Updated: Jan 14, 2026
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
474
从儿科急诊室到PICU使用机器学习模型准确预测败血症
Xuan Shi1, Xuying Wang2, Haomei Yang1
1Pediatric Emergency Department, Guangzhou Women and Children's Medical Center, Guangzhou Medical University, Guangdong Provincial Clinical Research Center for Child Health, Guangzhou, China.
Frontiers in pediatrics
|October 27, 2025
概括
通过使用分析电子健康记录的机器学习框架,改善了对儿童的早期败血症检测. 这种人工智能工具提供实时警报,大大缩短了诊断时间,并改善了患者的治疗结果.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 机器学习在医疗保健中的应用
- 临床信息学是一种临床信息学.
背景情况:
- 由于当前评分系统的表现和局限性各异,儿童败血症的鉴定具有挑战性.
- 现有的方法缺乏实时能力和可解释性,以便及时做出临床决策.
- 早期检测对于改善儿科急诊和重症监护机构的结果至关重要.
研究的目的:
- 开发和验证一个实时的,基于机器学习的预测框架,用于早期的儿科败血症检测.
- 整合静态和动态电子健康记录 (EHR) 功能,以提高预测准确度.
- 通过整合时间分辨率和可解释性来改进现有的评分系统.
主要方法:
- 从两个不同的队列 (GWCMC和MIMIC-III) 的儿科患者的回顾性分析.
- 使用新型CTWH+MGP方法计算不规则时间序列的EHR数据.
- 基于XGBoost和GRU的RNN模型在12小时窗口内预测败血症的比较,使用AUROC,AUPRC和Youden指数进行验证.
主要成果:
- CTWH + MGP-XGBoost模型在诊断时实现了高AUROC (0.915),而GRU模型显示时间稳定性.
- 关键的预测特征包括乳糖,白细胞计数,pH值和血管压缩剂的使用.
- 外部验证证实了通用性 (MIMIC-III AUROC = 0.905),实时警报的中位数预警时间为6.2小时.
结论:
- 结合先进的数据预处理和可解释的机器学习的双模组合方法,可以在儿童中进行强大的早期败血症检测.
- 开发的框架可以集成到EHR系统中,用于实时临床警报.
- 该系统有可能用于未来的试验和儿童败血症管理的质量改进计划.
