費城兒童醫院（CHOP）的研究人員開發了機器學習模型，該模型可以在醫師檢查數小時之前檢測出嬰兒敗血癥的存在。該研究的結果發表在PLOS One上。

敗血癥是嬰兒中疾病和死亡的主要原因，在早產或長期住院的嬰兒中，敗血癥的發生率高200倍。早產兒的死亡率最高，其中許多會導致嚴重的“長期損害”。

為了避免進一步的疾病，例如器官衰竭和可能的死亡，必須進行快速診斷。但是，受影響的兒童通常表現出模仿其他疾病的模棱兩可的臨床體征。并且篩查實驗室測試在該隊列中的診斷準確性也受到限制。

最近的研究表明 ，更好的醫院護理可能無法預防敗血癥的死亡。但是，有基于AI的敗血癥 篩查工具 可以幫助醫生找到最容易發生敗血癥的患者。

在這項首創的研究中，由賓夕法尼亞大學和CHOP的Aaron J. Masino博士領導的研究人員試圖利用能夠識別嬰兒敗血癥的電子健康記錄（EHR）數據開發模型。臨床確認前至少四個小時。

Masino在一份準備好的聲明中說：“由于在敗血癥的情況下及早發現和快速干預是必不可少的，因此像這樣的機器學習工具可以改善這些嬰兒的臨床結局。”

Masino等。該研究評估了八種不同的機器學習模型如何分析2014年至2017年間收錄于CHOP新生兒重癥監護病房（NICU）的618例嬰兒的EHR數據。該隊列中的許多嬰兒均處于早產狀態，并且該隊列的平均孕齡34周。

他們創建了36個與嬰兒敗血癥相關或可能與之相關的功能的列表。從EHR注釋中提取的特征按生命體征，實驗室值，合并癥和臨床因素分組。

研究人員發現，八個機器學習模型中的六個（AdaBoost，梯度增強，邏輯回歸，樸素貝葉斯，隨機森林和SVM）能夠在臨床識別之前的四個小時內預測敗血癥。

因為這是一項回顧性研究，所以研究人員能夠將每個模型的預測與隨后的發現或患者是否患有敗血癥進行比較。

Masino說：“后續的臨床研究將使研究人員能夠評估這種系統在醫院中的性能。”

Masino指出，他們的算法是“為醫院實踐開發實時臨床工具的第一步。” 研究人員將繼續他們的研究，以改善他們的模型并在臨床研究中研究他們的算法。

Masino總結說：“如果研究驗證了其中一些模型，我們可能會開發出一種工具來支持臨床決策并改善危重嬰兒的預后。”