研究人員創(chuàng)建 AI 算法以提高膿毒癥預測的及時性和準確性
漢密爾頓，安大略(2021 年 11 月 25 日)——每年，敗血癥影響全球超過 3000 萬人，估計造成 600 萬人死亡。敗血癥是身體對感染的極端反應，通常會危及生命。
由于每延遲一小時的治療都會使死亡幾率增加 4% 到 8%，因此及時準確地預測敗血癥對于降低發(fā)病率和死亡率至關重要。為此，各種醫(yī)療保健組織已經(jīng)部署了預測分析，通過使用電子病歷 (EMR) 數(shù)據(jù)來幫助識別敗血癥患者。
一個國際研究團隊，包括來自麥克馬斯特大學和圣約瑟夫醫(yī)療保健漢密爾頓的數(shù)據(jù)科學家、醫(yī)生和工程師，創(chuàng)建了一種人工智能 (AI) 預測算法，大大提高了數(shù)據(jù)驅動的敗血癥預測的及時性和準確性。
“使用 AI 和臨床數(shù)據(jù)可以非常準確和非常早地預測敗血癥，但臨床醫(yī)生和數(shù)據(jù)科學家面臨的關鍵問題是這些算法需要多少歷史數(shù)據(jù)才能做出準確預測，以及它們可以提前多久準確預測敗血癥，”說Manaf Zargoush 是麥克馬斯特德格魯特商學院的研究合著者和衛(wèi)生政策與管理助理教授。
為了預測臨床護理環(huán)境中的膿毒癥，一些系統(tǒng)使用 EMR 數(shù)據(jù)和疾病評分工具來確定膿毒癥風險評分——本質上充當數(shù)字、自動化評估工具。更高級的系統(tǒng)采用預測分析(例如 AI 算法)來超越風險評估并識別敗血癥本身。
研究人員使用 AI 預測分析創(chuàng)建了一種稱為雙向長短期記憶(BiLSTM) 的算法。它檢查了四個關鍵領域的幾個變量：管理變量(例如，重癥監(jiān)護病房 (ICU) 的停留時間、住院和入住 ICU 之間的時間等)、生命體征(例如，心率和脈搏血氧飽和度等) 、人口統(tǒng)計學(例如，年齡和性別)和實驗室測試(例如，血清葡萄糖、肌酐、血小板計數(shù)等)。與其他算法相比，BiLSTM 是機器學習的一個更復雜的子集——稱為深度學習——它使用神經(jīng)網(wǎng)絡來提高其預測能力。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！