費城兒童醫(yī)院（CHOP）的研究人員開發(fā)了機器學習模型，該模型可以在醫(yī)師檢查數(shù)小時之前檢測出嬰兒敗血癥的存在。該研究的結(jié)果發(fā)表在PLOS One上。

敗血癥是嬰兒中疾病和死亡的主要原因，在早產(chǎn)或長期住院的嬰兒中，敗血癥的發(fā)生率高200倍。早產(chǎn)兒的死亡率最高，其中許多會導致嚴重的“長期損害”。

為了避免進一步的疾病，例如器官衰竭和可能的死亡，必須進行快速診斷。但是，受影響的兒童通常表現(xiàn)出模仿其他疾病的模棱兩可的臨床體征。并且篩查實驗室測試在該隊列中的診斷準確性也受到限制。

最近的研究表明 ，更好的醫(yī)院護理可能無法預防敗血癥的死亡。但是，有基于AI的敗血癥 篩查工具 可以幫助醫(yī)生找到最容易發(fā)生敗血癥的患者。

在這項首創(chuàng)的研究中，由賓夕法尼亞大學和CHOP的Aaron J. Masino博士領(lǐng)導的研究人員試圖利用能夠識別嬰兒敗血癥的電子健康記錄（EHR）數(shù)據(jù)開發(fā)模型。臨床確認前至少四個小時。

Masino在一份準備好的聲明中說：“由于在敗血癥的情況下及早發(fā)現(xiàn)和快速干預是必不可少的，因此像這樣的機器學習工具可以改善這些嬰兒的臨床結(jié)局?！?/p>

Masino等。該研究評估了八種不同的機器學習模型如何分析2014年至2017年間收錄于CHOP新生兒重癥監(jiān)護病房（NICU）的618例嬰兒的EHR數(shù)據(jù)。該隊列中的許多嬰兒均處于早產(chǎn)狀態(tài)，并且該隊列的平均孕齡34周。

他們創(chuàng)建了36個與嬰兒敗血癥相關(guān)或可能與之相關(guān)的功能的列表。從EHR注釋中提取的特征按生命體征，實驗室值，合并癥和臨床因素分組。

研究人員發(fā)現(xiàn)，八個機器學習模型中的六個（AdaBoost，梯度增強，邏輯回歸，樸素貝葉斯，隨機森林和SVM）能夠在臨床識別之前的四個小時內(nèi)預測敗血癥。

因為這是一項回顧性研究，所以研究人員能夠?qū)⒚總€模型的預測與隨后的發(fā)現(xiàn)或患者是否患有敗血癥進行比較。

Masino說：“后續(xù)的臨床研究將使研究人員能夠評估這種系統(tǒng)在醫(yī)院中的性能?！?/p>

Masino指出，他們的算法是“為醫(yī)院實踐開發(fā)實時臨床工具的第一步。” 研究人員將繼續(xù)他們的研究，以改善他們的模型并在臨床研究中研究他們的算法。

Masino總結(jié)說：“如果研究驗證了其中一些模型，我們可能會開發(fā)出一種工具來支持臨床決策并改善危重嬰兒的預后。”