相关实验视频
Updated: Jan 9, 2026
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
463
基于人工智能的预测建模用于早期检测住院患者的败血症:系统性审查和元分析
Ghulam Husain Abbas1, Palash Sen2, Oviya Anjali Giri3
1Faculty of Medicine, Ala-Too International University, Bishkek, Kyrgyz Republic.
Critical care explorations
|December 5, 2025
概括
人工智能 (AI) 模型显示出在住院成年人中早期检测败血症的巨大潜力,往往超过传统方法. 在概括性和临床整合方面的挑战需要进一步的研究,以便在现实世界中应用.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 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疾病,需要及早检测以改善患者的治疗结果.
- 传统的败血症检测方法在速度和准确性方面存在局限性.
- 人工智能 (AI) 提供了增强预测能力的潜力.
研究的目的:
- 系统地审查基于人工智能的预测模型,用于在成人住院患者中早期检测败血症.
- 分析模型类型,输入特征,验证策略和性能指标.
- 确定AI在败血症预测中的临床整合的挑战和未来方向.
主要方法:
- 从2015年1月到2025年3月,在主要数据库 (PubMed,Scopus,Web of Science,Google Scholar,CENTRAL) 进行系统的文献搜索.
- 纳入标准侧重于人工智能模型,用于使用电子健康记录数据和报告的性能指标 (AUC,灵敏度,特异性,F1得分) 来预测成人住院患者的败血症.
- 数据提取遵循PRISMA指导方针,涵盖研究设计,患者人群,AI模型细节,输入数据,验证和性能结果.
主要成果:
- 52项研究符合纳入标准,主要使用具有有限前验证的回顾性设计.
- 常见的AI算法包括随机森林,神经网络,SVM和深度学习 (LSTM,CNN).
- 输入数据范围从结构化EHR变量到非结构化临床笔记 (NLP),报告的AUC值在0.79-0.96.6之间.
结论:
- 人工智能模型对早期败血症检测有显著的前景,经常超过传统的评分系统.
- 关键的挑战包括模型的概括性,解释性和无的临床实施.
- 未来的研究应该优先考虑外部验证,可解释和可扩展的AI解决方案,以实时整合临床工作流程.
