研究人員創(chuàng)建 AI 算法以提高膿毒癥預(yù)測(cè)的及時(shí)性和準(zhǔn)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(guò) 3000 萬(wàn)人，估計(jì)造成 600 萬(wàn)人死亡。敗血癥是身體對(duì)感染的極端反應(yīng)，通常會(huì)危及生命。
由于每延遲一小時(shí)的治療都會(huì)使死亡幾率增加 4% 到 8%，因此及時(shí)準(zhǔn)確地預(yù)測(cè)敗血癥對(duì)于降低發(fā)病率和死亡率至關(guān)重要。為此，各種醫(yī)療保健組織已經(jīng)部署了預(yù)測(cè)分析，通過(guò)使用電子病歷 (EMR) 數(shù)據(jù)來(lái)幫助識(shí)別敗血癥患者。
一個(gè)國(guó)際研究團(tuán)隊(duì)，包括來(lái)自麥克馬斯特大學(xué)和圣約瑟夫醫(yī)療保健漢密爾頓的數(shù)據(jù)科學(xué)家、醫(yī)生和工程師，創(chuàng)建了一種人工智能 (AI) 預(yù)測(cè)算法，大大提高了數(shù)據(jù)驅(qū)動(dòng)的敗血癥預(yù)測(cè)的及時(shí)性和準(zhǔn)確性。
“使用 AI 和臨床數(shù)據(jù)可以非常準(zhǔn)確和非常早地預(yù)測(cè)敗血癥，但臨床醫(yī)生和數(shù)據(jù)科學(xué)家面臨的關(guān)鍵問(wèn)題是這些算法需要多少歷史數(shù)據(jù)才能做出準(zhǔn)確預(yù)測(cè)，以及它們可以提前多久準(zhǔn)確預(yù)測(cè)敗血癥，”說(shuō)Manaf Zargoush 是麥克馬斯特德格魯特商學(xué)院的研究合著者和衛(wèi)生政策與管理助理教授。
為了預(yù)測(cè)臨床護(hù)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(píng)分工具來(lái)確定膿毒癥風(fēng)險(xiǎn)評(píng)分——本質(zhì)上充當(dāng)數(shù)字、自動(dòng)化評(píng)估工具。更高級(jí)的系統(tǒng)采用預(yù)測(cè)分析(例如 AI 算法)來(lái)超越風(fēng)險(xiǎn)評(píng)估并識(shí)別敗血癥本身。
研究人員使用 AI 預(yù)測(cè)分析創(chuàng)建了一種稱(chēng)為雙向長(zhǎng)短期記憶(BiLSTM) 的算法。它檢查了四個(gè)關(guān)鍵領(lǐng)域的幾個(gè)變量：管理變量(例如，重癥監(jiān)護(hù)病房 (ICU) 的停留時(shí)間、住院和入住 ICU 之間的時(shí)間等)、生命體征(例如，心率和脈搏血氧飽和度等) 、人口統(tǒng)計(jì)學(xué)(例如，年齡和性別)和實(shí)驗(yàn)室測(cè)試(例如，血清葡萄糖、肌酐、血小板計(jì)數(shù)等)。與其他算法相比，BiLSTM 是機(jī)器學(xué)習(xí)的一個(gè)更復(fù)雜的子集——稱(chēng)為深度學(xué)習(xí)——它使用神經(jīng)網(wǎng)絡(luò)來(lái)提高其預(yù)測(cè)能力。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請(qǐng)聯(lián)系刪除！