小編發現不少朋友對于 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。

機器學習算法已經超過了四種常用的方法，可以在住院患者中早期發現敗血癥，從而使臨床醫生最多可以進行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《生物與醫學計算機》中進行。

研究人員通過將數據應用到在波士頓大學UCSF醫療中心或貝斯以色列女執事醫療中心住院的近113，000名患者的數據，將算法與四種傳統方法進行了比較。

在兩個遙遠的機構之間劃分數據集的目的是在人口統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。

他們發現，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患者數據訓練并將其應用于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（MEWS）。

作者報告說：“這項研究中評估的機器學習算法能夠在發病前48小時預測敗血癥，AUROC為0.83。” “這種性能超過了發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。”

根據美國疾病預防控制中心（CDC）的數據，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。