相关实验视频
Updated: Jul 11, 2026
08:46
A Neonatal Imaging Model of Gram-Negative Bacterial Sepsis
Published on: August 12, 2020
开发和多中心验证可解释的机器学习诊断标准,用于儿科腹部败血症
Suqi Cao1, Duote Cai2, Shuhao Zhang2
1National Clinical Research Center for Child And Adolescents' Heath and Diseases, The Children's Hospital, Zhejiang University School of Medicine, Hangzhou, China.
NPJ digital medicine
|March 3, 2026
概括
早期的儿科腹部败血症 (PAS) 很难检测. 一个新的可解释的人工智能模型,ABSeD,使用常规数据准确识别儿童的PAS,改善及时治疗和结果.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 医疗人工智能的人工智能
- 临床决策支持系统临床决策支持系统
背景情况:
- 由于当前标准的局限性,儿童腹部败血症 (PAS) 诊断具有挑战性.
- 现有的工具往往忽略了早期的腹腔内感染,专注于心肺问题.
研究的目的:
- 开发和验证一个可解释的机器学习模型,用于早期检测儿科腹部败血症 (PAS).
- 创建一个临床决策支持工具,解决识别腹腔内感染的差距.
主要方法:
- 利用6566名儿科患者 (2019-2023) 的回顾性数据进行模型构建.
- 采用可解释的机器学习算法,包括超参数调整.
- 在7家医院的308名患者中对该模型进行了前性验证 (2025年1月至3月).
主要成果:
- 开发的腹部败血症诊断 (ABSeD) 模型整合了九个常规的临床变量.
- 在训练组中实现了高诊断精度 (AUC=0.934,精度=0.870,精度=0.910).
- 具有强大的验证结果 (AUC=0.928,精度=0.873,精度=0.924) 的强大的多中心概括性.
结论:
- ABSeD模型为早期PAS检测提供了一个准确,可解释和实用的工具.
- 这种数字工具有潜力显著提高对患有腹腔内毒液病理的儿童的及时干预.
- 该模型的性能表明,它是对儿科败血症临床决策支持的宝贵补充.
