行業指南

AI 在敗血症預測中的應用

AI 敗血症預測使用生命徵象、實驗室結果和用藥記錄等醫院數據來估計哪些患者可能患有敗血症,通常在臨床醫生意識到之前。

聆聽此指南AI 語音敘述 · ~3 min

本頁4 分鐘閱讀
  1. 概述
  2. 深入探討
  3. 現實世界的實施
  4. 人工智慧在敗血症預測中的未來
  5. 付諸實踐
  6. 不斷探索
  7. 常見問題

概述

這很重要,因為敗血症是醫院死亡的主要原因,治療延誤會增加風險,但驗證不佳的模型可能會讓工作人員誤報並錯過真實病例。

深入探討

敗血症是身體對感染的失調反應,導致器官功能障礙。由於早期使用抗生素和液體可以提高存活率,醫院長期以來一直使用基於規則的篩檢,例如 SIRS 標準或 qSOFA。人工智慧預警系統更進一步:它們將心率、呼吸頻率、體溫、白血球計數、乳酸、肌酸酐、藥物和隨時間變化的趨勢等許多變數結合成一個單一的風險評分,該評分會隨著電子健康記錄 (EHR) 中新數據的到達而更新。最具啟發性的案例是 Epic Sepsis 模型,這是美國許多醫院部署的專有工具。發表在《美國醫學會雜誌內科醫學》上的密西根醫學 2021 年外部驗證發現,它的表現比開發人員報告的要差得多:它漏掉了約三分之二的膿毒症病例,並對大約五分之一的住院患者發出了警報,其中大多數患者沒有膿毒症。這項研究成為了更廣泛的教訓的參考點:根據開發人員的數據驗證的模型可能無法在不同的醫院中保持不變,而僅靠準確性指標並不能說明警報是否真正有幫助。更令人鼓舞的證據來自約翰霍普金斯大學的 TREWS 系統,該系統 2022 年在《自然醫學》上發表的研究報告稱,如果警報得到臨床醫生及時確認,患者的治療效果會更好。這些研究是觀察性的而不是隨機的,因此工具本身帶來了多大的改善仍然存在爭議。 2024 年,FDA 授權了 Prenosis Sepsis ImmunoScore,這是首批透過 FDA 審查的 AI 敗血症工具之一。一個常見的誤解是敗血症模型可以診斷敗血症。它標誌著風險;臨床醫生仍在評估患者。另一個原因是更多的警報意味著更多的安全。警報疲勞,即工作人員在頻繁誤報後變得不敏感,可能會導致真正的警告被忽視。成功取決於閾值選擇、誰收到警報以及之後預期採取什麼行動。

現實世界的實施

內外科病房的電子健康記錄會在新數據到達時重新計算膿毒症風險評分,並在患者心率上升、血壓下降和乳酸上升超過閾值時呼叫快速反應護士。

急診科對第一批生命徵象和實驗室運行分診階段模型,優先為仍在等待床位的高風險患者進行血液培養和抗生素治療。

一家醫院品質團隊以靜默模式運行供應商膿毒症模型三個月,將其潛在警報與經過圖表審查的膿毒症病例進行比較,然後才允許其發送即時警報。

在護理師報告對同一穩定患者重複發出警報後,臨床資訊學小組提高了警報閾值,並添加了「合理暫停」選項,然後追蹤是否仍然發現了真實病例。

人工智慧在敗血症預測中的未來

期待更多的審查而不是更少。衛生系統越來越多地在模型上線前在本地進行驗證,監管機構和專業機構也更密切地關注預測工具的評估和監控方式。研究正在轉向顯示哪些訊號驅動評分的模型,將結構化資料與臨床記錄相結合,並進行前瞻性或隨機設計測試,而不僅僅是回顧性測試。對於大多數醫院來說,實際問題仍然是工作流程:將警報發送給合適的人,限制重複通知,以及衡量警報是否真正縮短了抗生素使用時間並改善了結果。脓毒症预测可能仍然是最有用的,作为人类评估的提示,而不是替代它。

付諸實踐

為什麼這很重要

  • 背景與規則. 產業背景決定了人工智慧創意能否與現實接觸。
  • 品質管控. 領域約束會影響可接受的錯誤率和監督模型。
  • 配裝選擇. 成功的部署使技術能力與第一線工作流程保持一致。

留意

  • 監理要求可能會使原本強大的原型失效。
  • 歷史資料可能會編碼損害特定社區的偏見。
  • 遺留系統可能會造成整合瓶頸和隱性成本。

後續步驟

  1. 讓領域專家參與從問題框架到評估的整個過程。
  2. 在啟動前設計審計追蹤和文件。
  3. 儘早驗證合規性和安全義務。
  4. 分階段推出,並有明確的停止和回滾標準。

不斷探索

免費電子報

獲取每日 AI 簡報

每個工作日上午提供三則經過驗證的 AI 新聞,以淺顯易懂的英文撰寫。永久免費,無廣告。

每個工作日一封電子郵件。一鍵取消訂閱。我們絕不出售或分享您的地址。

測試一下自己

參加敗血症預測中的 AI 測驗

每個答案皆有即時回饋,通過課程後可獲得具備可驗證 ID 的可分享證書。

開始測驗

支持免費的 AI 教育。AI Understanding 是一個 501(c)(3) 非營利組織——絕無廣告,絕無付費牆。 捐款

常見問題

什麼是膿毒症預測中的人工智慧?

AI 敗血症預測使用生命徵象、實驗室結果和用藥記錄等醫院數據來估計哪些患者可能患有敗血症,通常在臨床醫生意識到之前。這很重要,因為敗血症是醫院死亡的主要原因,治療延誤會增加風險,但驗證不佳的模型可能會讓工作人員誤報並錯過真實病例。

AI敗血症預警模型主要產生什麼?

這些模型將許多變數組合成風險評分。他們標記可能患有敗血症的患者;臨床醫生仍在檢查患者並決定治療。

2021 年密西根醫學對 Epic 敗血症模型的外部驗證發現了什麼?

研究發現,該模型漏掉了大多數敗血症病例,同時對許多沒有敗血症的患者發出了警報,這表明開發人員報告的準確性可能無法延續到新醫院。

什麼是警覺疲勞?

當大多數警報都是虛假或重複時,臨床醫生就會開始忽略或忽略它們,這可能會導致錯過真正的警告。

為什麼使用抗生素或血液培養訂單來定義敗血症發病時間會對模型造成問題?

這是一種洩漏:模型捕捉到已經反映出對敗血症懷疑的臨床醫師行為,因此在事後看起來準確,但幾乎沒有提供新的警告。

為什麼 TREWS 研究的證據仍然存在爭議?

觀察性研究可以顯示及時確認警報與更好的結果相關,但它們無法完全排除其他改善的解釋。