根據疾病控制和預防中心的數據，三分之一在醫(yī)院死亡的患者患有敗血癥，這是一種對感染的嚴重炎癥反應，以器官功能障礙為特征。這種沉重的代價使得預測哪些患者有患這種破壞性疾病的風險成為臨床醫(yī)生的首要任務。
識別和治療膿毒癥病例的其他動機在于，膿毒癥是一種系統級質量衡量標準，醫(yī)院由聯邦衛(wèi)生與公共服務部和 CDC 對其膿毒癥率進行判斷。使減少敗血癥的努力復雜化的是診斷的難度——準確和快速。
密歇根大學學習健康科學和內科學助理教授、醫(yī)學博士、醫(yī)學碩士、醫(yī)學博士卡蘭迪普·辛格 (Karandeep Singh) 說：“敗血癥是我們可以在事后確定發(fā)生的事情，但當它發(fā)生時，通常不清楚患者是否患有敗血癥。”藥物。“但敗血癥治療的基石是及時識別和及時治療。”
Singh 和他的同事最近評估了 Epic Systems 開發(fā)的敗血癥預測模型，該模型是美國 56% 的醫(yī)院和衛(wèi)生系統使用的醫(yī)療保健軟件供應商。在 JAMA Internal Medicine 上發(fā)表的一篇新論文中，他們發(fā)現預測工具的性能要差得多比模型的信息表所指示的，正確地對患者進行敗血癥風險分類的概率僅為 63%。
Singh 解釋說，差異在于模型的開發(fā)方式。他說，第一個問題是該模型整合了所有被稱為敗血癥的病例的數據，這是有問題的，因為“人們在不同服務和醫(yī)院的收費不同，而且眾所周知，試圖僅根據計費代碼來確定誰患有敗血癥可能不準確。”其次，在模型的開發(fā)中，膿毒癥的發(fā)作被定義為臨床醫(yī)生干預的時間——例如，訂購抗生素或實驗室工作。
“從本質上講，他們開發(fā)了模型來預測臨床醫(yī)生在臨床醫(yī)生認可的時候認可的敗血癥。但是，我們知道臨床醫(yī)生會錯過敗血癥。”
為了使用與 Medicare 和 CDC 使用的定義更接近的膿毒癥定義來評估模型，研究小組研究了 2018 年至 2019 年密歇根醫(yī)學中心近 40,000 名住院患者，去除了模型提示患有膿毒癥的患者的評分在臨床醫(yī)生已經介入之后。這樣做使該工具的曲線下面積從 Epic Systems 報告的 76-83% 增加到驗證研究確定的 63%。
更重要的是，該模型向所有患者中的近五分之一發(fā)出警報，其中大多數患者實際上并未患有敗血癥。“當它發(fā)出警報時，患者在剩余的住院期間實際上患有敗血癥的幾率是 12%。這基本上意味著，即使你只在系統第一次發(fā)出警報時對人進行評估，你仍然需要評估8 個人發(fā)現一例敗血癥，”辛格說。
標簽： 敗血癥
免責聲明：本文由用戶上傳，如有侵權請聯系刪除！