优化脓毒症治疗时机与机器学习模型

一个新的机器学习模型估计最佳治疗时机败血症铺平了道路的支持工具,可以帮助医生个性化治疗决定在病人的床边,研究人员说。

在一篇发表在自然机器智能,来自俄亥俄州立大学的科学家描述的新模型,利用人工智能的复杂的问题当管理抗生素的患者脓毒症的疑似病例。

时间是本质,因为脓毒症,身体对感染的反应,可迅速导致器官衰竭。然而,其symptoms-fever,低血压,增加心率和呼吸问题可以像很多其他的条件。联邦指导方针要求快速治疗广谱抗生素作为国防战略的第一行之前,通常需要行动文化确认可以从实验室获得细菌感染。

模型旨在考虑这些不确定性和时间压力。

研究人员使用主治模型的性能进行了测试患者信息从美国数据库和一个欧洲数据库,比较结果在治疗病人的实际匹配模型的推荐治疗时间为病人的实际结果与模型的不同就会推荐基于他们的生命体征,实验室结果和风险相关的统计数据。表示结果的测量病人生存脓毒症治疗后30至60天。

“我们发现,当实际的治疗人工智能同意,我们有较低的死亡率。如果他们不同意,死亡率可高达25%,“平张资深作者说,博士,助理教授计算机科学与工程和生物医学信息学在俄亥俄州立大学。

模型训练和验证数据集从公开数据库,获得MIMIC-III。MIMIC-III的模型测试在不同的部分和一个新的外部数据集AmsterdamUMCdb。

几乎14000人与脓毒症的关键措施包括改变病人生命体征和实验室测试结果时间passed-serving指标疾病严重程度和类型的感染和一个创新的方法设计了比较结果的患者和没有接受抗生素在一个特定时间。

“我们希望建模来预测是否有利于在给定time-yes或不使用抗生素。但是我们永远不知道会发生什么,如果我们不给抗生素。我们临床试验的概念应用于这个模型:每个病人采取药物,我们包括一个匹配,临床上类似的患者没有服用抗生素,”张先生说,他领导着人工智能在医学实验室,也是一个核心教员在俄亥俄州的转化数据分析研究所。

“这样的话,我们可以预测反事实的结果,和训练反事实的处理模型找到是否治疗脓毒症的作品。”

脓毒症导致超过三分之一的院内死亡,并经常在重症监护病房和应急部门,“我们经常做决定没有黄金标准结果从一个文化”研究的合著者凯瑟琳·巴克说,医学博士,急诊医学助理教授在医学院和老年急诊科主任俄亥俄州瓦克斯纳医疗中心。“并不是每一个病人,符合败血症标准继续有细菌感染的证据。”

抗生素不来没有风险可能对肾脏有毒,引发过敏反应或导致梭状芽孢杆菌,感染导致严重的腹泻和结肠炎症。

“本文开始得到是什么,我们可以用信息提供给临床医生,有时走在前列,有时没有,说,情况正在改变,表明患者将受益于抗生素,”巴克说。“一个决策支持工具可以告诉医生是否匹配我们已经想什么或提示我们问自己我们失踪。希望随着时间的推移,所有的电子健康记录数据将揭示信号和从那里的问题弄清楚如何使用它们,如何让临床医生。”

这些见解和可用性的电子健康记录数据是重要的喂养与合适的模型数据和设计考虑多个因素,改变医疗情况下,张说。

“我们模拟病人记录语言,”他说。“和机器学习,我们总是训练模型批的批处理,则需要分析的数据模式,设置参数,并根据这些参数,添加另一个训练数据集进行改进。然后机器总是发现更好的参数以适应模式。”

关键指标用于指导模型如何到达推荐顺序器官衰竭评估(SOFA)得分,用于定期评估一个ICU病人的器官系统基于六个实验室测试结果的表现。研究人员跑案例研究演示例子发达的一个接口临床沙发的样子,说明分数变化当模型调整推荐治疗时间表基于个性化的病人数据的变化。

“我们的论文是第一个使用人工智能为败血症追求一种抗生素的建议,用真实数据来帮助临床决策,”张说。“任何这类研究需要临床validation-this回顾性数据分析第一阶段,第二阶段将涉及human-AI合作更好的病人护理。”