深度学习败血症预测模型对护理质量和患者生存情况的影响

研究背景

败血症是一种感染引起的全身性炎症反应，全球每年大约有4800万人受到影响，其中约1100万人因此死亡。由于败血症的异质性，早期识别通常面临巨大挑战。早期干预包括液体复苏、抗生素管理和感染源控制等治疗措施在疾病早期阶段的效果显著。因此，通过预测分析提升败血症的早期检测具有重要意义。

研究来源

该研究由Aaron Boussina、Supreeth P. Shashikumar、Atul Malhotra、Robert L. Owens、Robert El-Kareh、Christopher A. Longhurst、Kimberly Quintero、Allison Donahue、Theodore C. Chan、Shamim Nemati和Gabriel Wardi等人进行，作者们分别来自美国加利福尼亚大学圣地亚哥分校医学部和急诊医学部。研究文章发表在2024年的npj Digital Medicine期刊。

研究流程

研究设计和对象

研究采用了一项前后对照准实验设计，于2021年1月1日至2023年4月30日在UC San Diego Health System的两个急诊部门进行。共纳入6217名成年人，旨在评估由深度学习模型Composer生成的败血症最佳实践建议（BPA）对患者结局的影响。

研究步骤

1. 数据收集和处理

   • 从电子健康记录（EHR）中提取可用数据，包括急诊入院、实验室检查、生命体征、患者人口统计学信息、合并症和同时使用的药物。
   • 使用Composer算法对实时数据进行分析，该算法为一前馈神经网络模型，可以预测未来4小时内败血症的发作。模型采用“符合性预测”方法，识别数据异常或未知样本时标记为“不确定”。

2. 警报生成和面向护理的BPA

   • 在模型预测败血症风险较高时，向护士发送警报，并提供模型的主要推荐理由。护士可选择相应的操作（比如立即通知医生或开始败血症治疗/检查）。

3. 结果评估

   • 主要评估指标为院内败血症死亡率。次要指标包括败血症治疗流程遵循率、72小时内器官功能评分（SOFA）变化、ICU入住率以及ICU无病日数。

数据分析和结果

1. 基础特征

   • 研究对象共6217人，其中5065人为干预前期，1152人为干预后期。干预前后患者基本特征无显著差异，如年龄、性别、种族和合并症指数等。

2. 警报数据

   • 干预后期，平均每月生成235个警报，其中55%的警报被护士标记为“立即通知医生”。

3. 因果影响分析

   • 使用贝叶斯结构时间序列模型评估干预前后的因果效应。结果显示,干预后院内败血症死亡率绝对降低1.9%（相对降低17%），败血症流程遵循率绝对增加5.0%（相对增加10%），72小时内SOFA评分变化减少4%。

结果总结

部署Composer算法后，败血症的早期预测显著降低了院内死亡率，并提高了败血症护理过程的遵循率。具体来说： - 院内死亡率：从预期的11.4%（95%可信区间为9.8%-13.0%），下降至实际的9.5%，显著减少了1.9%。 - 败血症流程遵循率：从48.4%提升至53.4%，显著提高了5.0%。 - 器官功能损伤：72小时内SOFA评分变化从预计的3.71下降至实际的3.56，降低了4%。

研究意义

该研究是首次在急诊科环境中验证深度学习模型对败血症早期预测的效果，显现了显著的临床意义和应用价值。其结果证明，使用人工智能模型可提高败血症早期识别能力，进而改善患者处理流程及最终结局。

亮点

• 创新性方法：该研究引入了深度学习及符合性预测的方法，显著减少了虚假警报，提高了模型的可信度。
• 显著成果：首次展示了深度学习模型的临床应用效果，达到了降低死亡率和改善护理过程的目标。
• 广泛应用前景：该研究为进一步在多中心和不同患者人群中的应用提供了坚实基础，具有很强的推广价值。