在紧急医疗中使用人工智能早期检测败血症
Sergey Aityan1, Rolando Herrero2, Abdolreza Mosaddegh1
1Department of Multidisciplinary Engineering, Northeastern University, Oakland, CA 94613, USA.
Life (Basel, Switzerland)
|October 29, 2025
概括
机器学习模型提供高效的败血症检测. 这项研究比较了可解释的白盒和准确的黑盒模型,用于在各种护理环境中早期识别败血症.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 临床决策支持 临床决策支持
背景情况:
- 败血症是一种危及生命的紧急情况,需要快速诊断和治疗.
- 目前的败血症检测方法可能是缓慢和不一致的.
- 机器学习 (ML) 是一种有希望的方法,可以提高败血症检测的准确性和速度.
研究的目的:
- 评估白盒和黑盒ML模型在早期毒症检测方面的有效性.
- 为了比较不同医疗环境 (急诊,救护车,急诊室) 的模型性能.
- 分析模型解释性和预测准确性之间的权衡.
主要方法:
- 应用后勤回归,决策树 (白盒模型),深度神经网络和支持向量机器 (黑盒模型).
- 利用在整个护理连续过程中收集的患者数据.
- 实验验证以确定最佳的计算策略.
主要成果:
- 黑盒模型通常在败血症预测中表现出更高的准确性.
- 白盒模型为临床信任提供了更大的透明度和可解释性.
- 性能因具体的医疗保健环境和数据特征而异.
结论:
- 白盒和黑盒ML模型都显示了改善败血症检测的潜力.
- 模型的选择涉及平衡临床解释性与预测性能的平衡.
- 需要进一步的研究来优化ML策略,以便在现实世界中临床实施.
