小編發(fā)現(xiàn)不少朋友對于 敗血癥可能已在人工智能算法中達到要求 這方面的信息都比較感興趣，小編就針對 敗血癥可能已在人工智能算法中達到要求 整理了一些相關方面的信息 在這里分享給大家。

機器學習算法已經(jīng)超過了四種常用的方法，可以在住院患者中早期發(fā)現(xiàn)敗血癥，從而使臨床醫(yī)生最多可以進行48小時的干預，直到病情開始惡化。

該算法由加州大學舊金山分校醫(yī)學博士Christopher Barton領導的團隊進行了測試。他們的研究預定在6月版的《生物與醫(yī)學計算機》中進行。

研究人員通過將數(shù)據(jù)應用到在波士頓大學UCSF醫(yī)療中心或貝斯以色列女執(zhí)事醫(yī)療中心住院的近113，000名患者的數(shù)據(jù)，將算法與四種傳統(tǒng)方法進行了比較。

在兩個遙遠的機構之間劃分數(shù)據(jù)集的目的是在人口統(tǒng)計學上不同的患者群體上訓練和測試該算法。

納入研究的患者均未患敗血癥而入院，所有患者均至少記錄了六個生命體征-血液中的氧氣水平，心率，呼吸頻率，體溫，收縮壓和舒張壓。

一些患者在住院期間患了敗血癥，而另一些則沒有。在住院期間任何時候患有敗血癥的患者中，研究人員觀察了他們的算法的檢測性能與膿毒癥發(fā)作時以及在24小時和48小時之前應用的標準方法的檢測性能之間的關系。

他們發(fā)現(xiàn)，該算法在接收者操作特征（AUROC）曲線下的面積得分要比整個標準臨床方法更好，并且在對該算法進行了UCSF患者數(shù)據(jù)訓練并將其應用于Beth Israel Deaconess患者時得到了證實。

四種標準方法是系統(tǒng)性炎癥反應綜合征（SIRS）標準，序貫（與膿毒癥相關）器官衰竭評估（SOFA），qSOFA（SOFA的簡化版）和改良預警系統(tǒng)（MEWS）。

作者報告說：“這項研究中評估的機器學習算法能夠在發(fā)病前48小時預測敗血癥，AUROC為0.83?！?“這種性能超過了發(fā)病時常用的檢測方法，并且可能通過早期檢測和臨床干預而改善了患者的預后?！?/p>

根據(jù)美國疾病預防控制中心（CDC）的數(shù)據(jù)，在美國，每年至少有170萬成年人患敗血癥，其中大部分是在醫(yī)院外。其中近270，000人死亡。在住院期間死亡的住院患者中，三分之一患有敗血癥。