自通過使用電子健康記錄(EHR)中常規收集的數據,研究人員和醫生科學家在新生兒重症監護病房(NICU)人群中測試機器學習模型。研究表明:自動化程序可以在出現臨床症狀之前快速識別新生兒重症監護病房(NICU)中的哪些患病嬰兒患有膿毒症。
自通過使用電子健康記錄(EHR)中常規收集的數據,研究人員和醫生科學家在新生兒重症監護病房(NICU)人群中測試機器學習模型。研究表明:自動化程序可以在出現臨床症狀之前快速識別新生兒重症監護病房(NICU)中的哪些患病嬰兒患有膿毒症。
相關結果發表在《Plos One》雜誌上。
敗血症始於細菌侵入血液,它是嬰兒死亡率和發病率的全球主要原因。不幸的是,攻擊性免疫反應會導致膿毒性發展以及休克的發生,進而導致多個器官衰竭,有時甚至致命。雖然在健康的嬰兒中相對罕見,但早產兒或慢性住院嬰兒的敗血症發生率要高200倍。嬰兒敗血症的幸存者可能會產生後遺症,如慢性肺病,神經發育障礙等。
由於臨床症狀模糊以及篩查測試結果不準確,住院嬰兒膿毒症的快速診斷通常很困難。另一方麵,抗生素的過度使用會帶來自身風險並增加抗生素耐藥性,因此明確的早期診斷非常重要。
該研究旨在開發一種機器學習模型,能夠在臨床症狀產生前至少四小時識別NICU嬰兒的敗血症。
機器學習使用計算和統計技術來訓練計算模型以從數據中檢測模式,然後執行期望的任務。研究小組評估了八種機器學習模型能夠分析患者數據以預測哪些嬰兒患有敗血症。由於數據來自NICU嬰兒的回顧性樣本,研究人員能夠將每個模型的預測與隨後的發現進行比較。
從2014年到2017年,研究小組利用CHOP NICU的618名嬰兒的EHR數據。患者登記中的許多嬰兒早產;該隊列的中位孕齡為34周。共同發生的病症包括慢性肺病,先天性心髒病,壞死性小腸結腸炎(嚴重的腸道感染)和手術條件。
該研究的主要臨床研究人員Grundmeier和Harris製定了36個與嬰兒敗血症相關或懷疑相關的特征清單。這些特征分為生命體征,實驗室值,合並症和臨床因素,例如嬰兒是否在呼吸機上,是從EHR條目中提取的,並提供了機器學習模型的輸入數據。 “像我一樣的生物醫學信息學專家與我們的臨床醫生同事合作,從EHR數據中選擇相關特征,”Masino說。
在臨床識別病症之前,八個模型中的六個在準確預測膿毒症方麵表現良好。
Masino說,該團隊的研究結果是為醫院實踐開發實時臨床工具的第一步。研究人員計劃通過進一步的研究來跟進這項研究,以改進他們的模型並在精心設計的前瞻性臨床研究中研究軟件工具。 “如果研究驗證了其中一些模型,我們可能會開發一種工具來支持臨床決策並改善重症患兒的預後,”他補充說。
copyright©醫學論壇網 版權所有,未經許可不得複製、轉載或鏡像
京ICP證120392號 京公網安備110105007198 京ICP備10215607號-1 (京)網藥械信息備字(2022)第00160號