费城儿童医院(CHOP)的研究人员开发了机器学习模型，该模型可以在医师检查数小时之前检测出婴儿败血症的存在。该研究的结果发表在PLOS One上。
败血症是婴儿中疾病和死亡的主要原因，在早产或长期住院的婴儿中，败血症的发生率高200倍。早产儿的死亡率最高，其中许多会导致严重的“长期损害”。
为了避免进一步的疾病，例如器官衰竭和可能的死亡，必须进行快速诊断。但是，受影响的儿童通常表现出模仿其他疾病的模棱两可的临床体征。并且筛查实验室测试在该队列中的诊断准确性也受到限制。
最近的研究表明 ，更好的医院护理可能无法预防败血症的死亡。但是，有基于AI的败血症 筛查工具 可以帮助医生找到最容易发生败血症的患者。
在这项首创的研究中，由宾夕法尼亚大学和CHOP的Aaron J. Masino博士领导的研究人员试图利用能够识别婴儿败血症的电子健康记录(EHR)数据开发模型。临床确认前至少四个小时。
Masino在一份准备好的声明中说：“由于在败血症的情况下及早发现和快速干预是必不可少的，因此像这样的机器学习工具可以改善这些婴儿的临床结局。”
Masino等。该研究评估了八种不同的机器学习模型如何分析2014年至2017年间收录于CHOP新生儿重症监护病房(NICU)的618例婴儿的EHR数据。该队列中的许多婴儿均处于早产状态，并且该队列的平均孕龄34周。
他们创建了36个与婴儿败血症相关或可能与之相关的功能的列表。从EHR注释中提取的特征按生命体征，实验室值，合并症和临床因素分组。
研究人员发现，八个机器学习模型中的六个(AdaBoost，梯度增强，逻辑回归，朴素贝叶斯，随机森林和SVM)能够在临床识别之前的四个小时内预测败血症。
因为这是一项回顾性研究，所以研究人员能够将每个模型的预测与随后的发现或患者是否患有败血症进行比较。
Masino说：“后续的临床研究将使研究人员能够评估这种系统在医院中的性能。”
Masino指出，他们的算法是“为医院实践开发实时临床工具的第一步。” 研究人员将继续他们的研究，以改善他们的模型并在临床研究中研究他们的算法。
Masino总结说：“如果研究验证了其中一些模型，我们可能会开发出一种工具来支持临床决策并改善危重婴儿的预后。”
