利用机器学习在急诊分诊时检测脓毒症
机器学习
2023-06-16 v6 计算与语言
摘要
脓毒症是一种伴有器官功能障碍的危及生命的病症，是全球死亡和危重疾病的主要原因。即使脓毒症治疗延迟数小时也会导致死亡率上升。在急诊科分诊时早期检测脓毒症将有助于早期启动实验室分析、抗生素给药及其他脓毒症治疗方案。本研究的目的是比较标准脓毒症筛查算法（SIRS合并感染源）与在电子健康记录（EHR）分诊数据上训练的机器学习算法在急诊分诊时（使用实验室诊断之前）的脓毒症检测性能。使用来自16家参与医院的分诊数据中的患者就诊记录开发了机器学习模型（KATE Sepsis）。对512,949份成人医疗记录 retrospectively 评估了KATE Sepsis和标准筛查。KATE Sepsis的AUC为0.9423（0.9401-0.9441），灵敏度为71.09%（70.12%-71.98%），特异度为94.81%（94.75%-94.87%）。标准筛查的AUC为0.6826（0.6774-0.6878），灵敏度为40.8%（39.71%-41.86%），特异度为95.72%（95.68%-95.78%）。为检测脓毒症而训练的KATE Sepsis模型在检测严重脓毒症时灵敏度为77.67%（75.78%-79.42%），在检测感染性休克时灵敏度为86.95%（84.2%-88.81%）。标准筛查方案在检测严重脓毒症时灵敏度为43.06%（41%-45.87%），在检测感染性休克时灵敏度为40%（36.55%-43.26%）。未来研究应关注KATE Sepsis对抗生素使用、再入院率、发病率和死亡率的前瞻性影响。
引用
@article{arxiv.2204.07657,
title = {Detection of sepsis during emergency department triage using machine learning},
author = {Oleksandr Ivanov and Karin Molander and Robert Dunne and Stephen Liu and Deena Brecher and Kevin Masek and Erica Lewis and Lisa Wolf and Debbie Travers and Deb Delaney and Kyla Montgomery and Christian Reilly},
journal= {arXiv preprint arXiv:2204.07657},
year = {2023}
}
备注
25 pages, 2 figure, 3 tables, 4 supplementary tables