Машинное обучение может помочь в диагностике сепсиса
Машинное обучение может помочь в диагностике сепсиса
Согласно аннотации P-81, новая модель машинного обучения на основе целых чисел может помочь в ранней диагностике сепсиса в больнице, тем самым снижая заболеваемость и смертность пациентов.
«Сепсис уже давно приводит к высокой смертности, и чем раньше вы начнете принимать антибиотики, тем больше вы сможете снизить смертность пациента», — сказал ведущий автор исследования Кельвин Кан, доктор медицины, резидент кафедры анестезиологии в Университете Юты в Солт-Лейк-Сити.
Из-за пагубных последствий сепсиса CDC запустил основные элементы программы по сепсису в больнице, которые призваны помочь врачам, больницам и системам здравоохранения в управлении этим состоянием. Баллы риска на основе точек, такие как оценка последовательной органной недостаточности и синдром системной воспалительной реакции (SIRS), могут использоваться для выявления сепсиса и могут быть включены в живые панели мониторинга, которые отслеживают показатели и предоставляют непрерывную информацию сестринскому делу, врачам и руководству подразделений.
«Было показано, что алгоритмы машинного обучения превосходят эти традиционные целочисленные баллы риска в задаче прогнозирования сепсиса», — пишут авторы исследования. «Однако машинное обучение [по-прежнему] недостаточно используется по сравнению с баллами риска на основе точек, отчасти потому, что клиницисты считают баллы на основе точек более простыми в использовании и понимании».
«Наша цель — разработать модель для выявления сепсиса на месте, чтобы мы могли начать давать антибиотики на ранней стадии и при необходимости перевести пациента на более высокий уровень лечения», — добавил Кан.
Модель временной логистической регрессии была обучена с использованием набора данных MIMIC-III из 48 000 обращений пациентов в отделение интенсивной терапии. Модель использовалась для назначения математических функций данным пациента и извлечения параметров этих функций для использования в качестве прогностических признаков. Результаты сравнивались с результатами Национальной шкалы раннего предупреждения, Модифицированной шкалы раннего предупреждения, Быстрой последовательной оценки органной недостаточности и SIRS.
Команда обнаружила, что модель машинного обучения имела значительно большую площадь под кривой рабочей характеристики приемника, чем все остальные, когда ей было поручено идентифицировать сепсис через шесть часов.
«Вторая часть нашего исследования, над которой мы сейчас работаем, будет сосредоточена на том, чтобы лечащие врачи использовали модель и интегрировали ее в электронную медицинскую карту пациента, чтобы увидеть, насколько хорошо она на самом деле функционирует в реальных сценариях», — сказал Кан. «Мы хотим увидеть и то, насколько хорошо модель обнаруживает сепсис, и то, как лечащие врачи затем реагируют на оповещения, которые дает им модель».
Автор: Итан Кови
Читайте также
