机器学习可能有助于早期鉴定严重脓毒症

根据2017年美国胸部社会国际会议的一项研究，根据计算机学习算法，使用来自电子健康记录（EHRS）的数据，该算法具有识别严重脓毒症和脓毒症休克的风险的住院患者。败血症是对感染的极端系统性反应，如果未经处理的话，可以在严重脓毒症和脓肠梗缓冲的先进阶段危及生命。

“我们已经开发并验证了第一个机器学习算法预测严重的败血症和脓毒症震惊在大型学术多医院医疗系统中，“宾夕法尼亚大学医院的MD领先作家希瑟·吉尼尼尼斯。”这是在使用机器学习技术的突破，并且可以在早期干预中改变范式败血症。“

与更简单的规则的系统不同，机器学习是一种人工智能，可以提供具有学习数据中的复杂模式的计算机，而不用明确编程。早期的研究使用电子健康记录数据来触发警报，以检测一般的临床恶化。

研究人员开发了一种机器学习算法，可以预测严重脓毒症或脓毒症休克风险的患者，并使用他们的电子健康记录来提醒护理团队。为了开发算法，他们培训了随机林分类器，一种对广泛的数据进行分类的方法，通过电子健康记录数据进行排序，为2011年7月和2014年7月之间发出的162,212名患者从宾夕法尼亚州卫生系统急性护理医院的三所大学。该算法能够连续地检查数百变量。患有严重脓毒症或脓毒症休克的患者在实际发病前12小时标记为严重脓毒症或脓毒症休克。基于实验室结果和生理数据，如血压确定发作。在数据库中共有943名患者达到了指定的实验室或生理标准。

该算法于2015年10月和12月在2015年12月之间实时验证，其中10,448名患者在学习医院照顾，使用电子健康记录采样的“静音模式”。

大约3％的急性护理患者筛选为阳性，每天遍布三家医院的10个警报。

“我们希望在宾夕法尼亚大学医院休息之前介入和在任何恶化之前，才能识别严重的败血症或SEPIC震惊。”“该算法能够这样做。这是一个突破，表明机器学习可以准确地识别严重风险的机器败血症和腐败。“

umscheid博士补充说，下一步是检查使用本机学习算法的过程和结果更改，并查看了算法对临床实践产生影响。

---

---