研究人员说,一种估计败血症最佳治疗时间的新机器学习模型可以为支持工具铺平道路,帮助医生在患者床边个性化治疗决策。

使用机器学习模型优化脓毒症治疗时机

在NatureMachineIntelligence上发表的一篇论文中,俄亥俄州立大学的科学家描述了这种新模型,该模型使用人工智能来解决何时对疑似败血症患者使用抗生素这一复杂问题。

时间至关重要,因为败血症是身体对感染的压倒性反应,可迅速导致器官衰竭。然而,它的症状——发烧、低血压、心率加快和呼吸困难——可能看起来与许多其他病症相似。联邦指南呼吁将广谱抗生素作为第一道防线进行快速治疗——这一策略通常需要在从实验室获得确认细菌感染的培养物之前采取行动。

该模型旨在考虑这些不确定性和时间压力。

研究人员使用美国数据库和欧洲数据库中的重症监护患者信息测试了该模型的性能,将实际治疗符合模型推荐治疗时间表的患者的结果与实际治疗与模型建议的治疗时间不同的患者的结果进行了比较关于他们的生命体征、实验室结果和与风险相关的人口统计数据。代表结果的衡量标准是脓毒症治疗后30天和60天的患者存活率。

“我们表明,当实际治疗与人工智能一致时,我们的死亡率较低。如果他们不一致,死亡率可高达25%,”资深作者PingZhang博士说,俄亥俄州立大学计算机科学与工程和生物医学信息学助理教授。

该模型在从公共数据库MIMIC-III获得的数据集上进行了训练和验证。该模型在MIMIC-III的不同部分和来自AmsterdamUMCdb的新外部数据集上进行了测试。

来自近14,000名败血症患者的关键措施包括患者生命体征和实验室测试结果随着时间的推移而发生的变化——作为疾病严重程度和感染类型的指标——以及一种旨在比较接受和未接受抗生素治疗的患者结果的创新方法在特定时间。

“我们希望模型能够预测在给定时间使用抗生素是否有益——是或否。但我们永远不知道如果我们不使用抗生素会发生什么。因此我们将临床试验概念应用于该模型:对于每个服用该药物的患者,我们都包括一个当时没有服用抗生素的匹配的、临床相似的患者,”张说,他是医学实验室人工智能的负责人,也是俄亥俄州立大学转化医学中心的核心教员。数据分析研究所。

“这样,我们就可以预测反事实结果,并训练反事实治疗模型来确定败血症治疗是否有效。”

脓毒症导致超过三分之一的院内死亡,最常见于重症监护病房和急诊室,“我们经常在没有金标准的情况下做出决定——文化的结果,”研究合作者说。作者KatherineBuck,医学博士,俄亥俄州立韦克斯纳医学中心医学院急诊医学助理教授和老年急诊科主任。“并不是每个符合败血症标准的患者都会有细菌感染的证据。”

抗生素并非没有风险——它们可能对肾脏有毒,引发过敏反应或导致艰难梭菌,这是一种导致严重腹泻和结肠炎症的感染。

“这篇论文开始讨论的是,我们能否使用临床医生可用的信息,有时是最前沿的,有时不是,也就是说,事情正在以一种表明患者将从抗生素中受益的方式发生变化,”巴克说。“一个决策支持工具可以告诉临床医生它是否符合我们已经在想的或提示我们问自己我们错过了什么。希望随着时间的推移,我们拥有的所有电子健康记录数据都会揭示信号——并从那里这是弄清楚如何使用它们以及如何将其提供给临床医生的问题。”

Zhang说,这些见解和电子健康记录数据的可用性对于为模型提供正确类型的数据和设计模型以考虑不断变化的医疗环境带来的多种考虑因素非常重要。

“我们将患者记录建模为语言,”他说。“对于机器学习,我们总是一批一批地训练模型——你需要模型分析数据的模式,设置参数,并根据这些参数,添加另一个训练数据集来进行改进。然后机器总能找到更好的适合模型的参数。”

用于指导模型如何得出建议的关键指标是序贯器官衰竭评估(SOFA)评分,该评分用于根据六项实验室测试的结果定期评估ICU患者器官系统的表现。研究人员进行了示例案例研究,以展示为临床环境开发的界面可能是什么样子,展示了当模型根据个性化患者数据的变化调整推荐的治疗时间表时,SOFA分数如何变化。

“我们的论文是第一个使用人工智能来寻求脓毒症抗生素推荐的论文,使用真实世界的数据来帮助临床决策,”张说。“任何像这样的研究都需要临床验证——这是回顾性数据分析的第一阶段,第二阶段将涉及人类与人工智能的合作,以更好地为患者提供护理。”