Credit: Pixabay/CC0公共领域
每年，脓毒症影响全球3000多万人，估计造成600万人死亡
脓毒症是机体对感染的极端反应，通常会危及生命
由于延迟治疗的每一个小时都会增加百分之四至百分之八的死亡几率，及时准确地预测败血症对于降低发病率和死亡率至关重要
为此，各种医疗保健组织已经部署了预测分析，通过使用电子病历(EMR)数据来帮助识别败血症患者
一个国际研究团队，包括来自麦克马斯特大学和圣
约瑟夫的医疗保健汉密尔顿创造了一种人工智能(AI)预测算法，大大提高了数据驱动脓毒症预测的及时性和准确性
研究合著者、麦克马斯特大学德格鲁特商学院(DeGroote School of Business)卫生政策与管理助理教授马纳夫·扎古什(Manaf Zargoush)表示:“使用AI结合临床数据，可以非常准确、非常早地预测脓毒症，但对临床医生和数据科学家来说，关键问题是这些算法需要多少历史数据才能做出准确预测，以及它们能准确预测脓毒症的程度有多远。”
为了预测临床护理环境中的脓毒症，一些系统使用EMR数据和疾病评分工具来确定脓毒症风险评分——本质上是作为数字化、自动化的评估工具
更先进的系统采用预测分析，如人工智能算法，以超越风险评估和识别败血症本身
利用人工智能预测分析，研究人员创造了一种称为双向长短期记忆的算法
它考察了四个关键领域的几个变量:管理变量(例如
g
重症监护室(ICU)的住院时间、住院和ICU之间的间隔时间等
)，生命体征(e
g
、心率和脉搏血氧仪等
人口统计(e)
g
年龄和性别)和实验室测试(例如
g
、血清葡萄糖、肌酐、血小板计数等
)
与其他算法相比，BiLSTM是机器学习的一个更复杂的子集，称为深度学习，它使用神经网络来提高预测能力
该研究将BiLSTM与其他六种机器学习算法进行了比较，发现它在准确性方面优于其他算法
通过减少误报来提高准确性是成功算法的关键，因为这些错误不仅浪费医疗资源，还会削弱医生对算法的信心
有趣的是，该研究发现，通过更侧重于患者最近数据点的算法，而不是进一步回顾以包括尽可能多的数据点，可以提高预测准确性
研究人员指出，临床医生倾向于在长时间内用尽可能多的数据点填充算法，这是可以理解的
然而，他们的发现表明，当预测的目的是准确和及时的脓毒症预测时，具有长预测视野的医生应该更多地依赖患者更少但更新的临床数据
“圣
Joe's将于11月下旬启动一个认知计算试点项目，其中包括了解人工智能如何用于帮助实时预测r eal患者的败血症，”研究合著者、医师、St
约瑟夫医疗保健汉密尔顿
他还是麦克马斯特大学的医学副教授
佩里补充说:“了解能够预测败血症的数据的广度和范围，对于任何考虑使用人工智能从严重感染中拯救生命的组织都很重要。”
“从脓毒症模型中获得的经验转化为构建更好的机器学习工具，为一些病情最严重的患者提供适当的早期干预，同时避免可能导致医护人员疲劳的不必要警告
" 这项研究发表在《自然科学报告》杂志上
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
