费城儿童医院(CHOP)的研究人员开发了一种机器学习模型，可以在医生检查之前几个小时检测到婴儿败血症的存在。这项研究的结果发表在《PLOS一号》上。
脓毒症是婴儿疾病和死亡的主要原因。在早产儿或长期住院的婴儿中，败血症的发生率要高200倍。早产儿死亡率最高，很多会造成严重的“长期损害”。
为了避免进一步的疾病，如器官衰竭和可能的死亡，必须进行快速诊断。然而，受影响的儿童通常表现出模仿其他疾病的模糊临床症状。而在这个队列中筛查实验室检测的诊断准确性也是有限的。
最近的研究表明，更好的医院护理可能不会防止败血症的死亡。然而，有基于人工智能的脓毒症筛查工具，可以帮助医生找到最容易发生脓毒症的患者。
在这项开创性的研究中，由宾夕法尼亚大学的亚伦j马西诺博士和CHOP领导的研究人员试图利用电子健康记录(EHR)数据开发一种可以识别婴儿败血症的模型。至少在临床确认前四小时。
马西诺在一份准备好的声明中说：“因为在败血症的情况下，早期发现和快速干预至关重要，所以像这样的机器学习工具可以改善这些婴儿的临床结果。”
马西诺等。本研究评估了八种不同的机器学习模型如何分析2014年至2017年CHOP新生儿重症监护室(NICU)618名婴儿的EHR数据。这个队列中的许多婴儿都是早产儿，这个队列的平均孕周是34周。
他们列出了36种与婴儿败血症相关或可能相关的功能。从EHR笔记中提取的特征根据生命体征、实验室值、并发症和临床因素进行分组。
研究人员发现，八种机器学习模型中的六种(AdaBoost、梯度增强、逻辑回归、朴素贝叶斯、随机森林和SVM)可以在临床识别前四小时内预测败血症。
因为这是一项回顾性研究，研究人员可以将每个模型的预测与随后的发现或患者是否患有败血症进行比较。
马西诺说：“随后的临床研究将使研究人员能够评估这一系统在医院的表现。”
马西诺指出，他们的算法是“为医院实践开发实时临床工具的第一步。”研究人员将继续他们的研究，以改进他们的模型，并在临床研究中研究他们的算法。
Masino总结道：“如果这项研究验证了其中的一些模型，我们可能会开发一种工具来支持临床决策，并改善危重婴儿的预后。”
