研究人員創(chuàng)建人工智能算法以提高敗血癥預測的及時性和準確性

研究人員創(chuàng)建 AI 算法以提高膿毒癥預測的及時性和準確性

漢密爾頓，安大略(2021 年 11 月 25 日)——每年，敗血癥影響全球超過 3000 萬人，估計造成 600 萬人死亡。敗血癥是身體對感染的極端反應，通常會危及生命。

由于每延遲一小時的治療都會使死亡幾率增加 4% 到 8%，因此及時準確地預測敗血癥對于降低發(fā)病率和死亡率至關重要。為此，各種醫(yī)療保健組織已經部署了預測分析，通過使用電子病歷 (EMR) 數據來幫助識別敗血癥患者。

一個國際研究團隊，包括來自麥克馬斯特大學和圣約瑟夫醫(yī)療保健漢密爾頓的數據科學家、醫(yī)生和工程師，創(chuàng)建了一種人工智能 (AI) 預測算法，大大提高了數據驅動的敗血癥預測的及時性和準確性。

“使用 AI 和臨床數據可以非常準確和非常早地預測敗血癥，但臨床醫(yī)生和數據科學家面臨的關鍵問題是這些算法需要多少歷史數據才能做出準確預測，以及它們可以提前多久準確預測敗血癥，”說Manaf Zargoush 是麥克馬斯特德格魯特商學院的研究合著者和衛(wèi)生政策與管理助理教授。

為了預測臨床護理環(huán)境中的膿毒癥，一些系統(tǒng)使用 EMR 數據和疾病評分工具來確定膿毒癥風險評分——本質上充當數字、自動化評估工具。更高級的系統(tǒng)采用預測分析(例如 AI 算法)來超越風險評估并識別敗血癥本身。

研究人員使用 AI 預測分析創(chuàng)建了一種稱為雙向長短期記憶(BiLSTM) 的算法。它檢查了四個關鍵領域的幾個變量：管理變量(例如，重癥監(jiān)護病房 (ICU) 的停留時間、住院和入住 ICU 之間的時間等)、生命體征(例如，心率和脈搏血氧飽和度等) 、人口統(tǒng)計學(例如，年齡和性別)和實驗室測試(例如，血清葡萄糖、肌酐、血小板計數等)。與其他算法相比，BiLSTM 是機器學習的一個更復雜的子集——稱為深度學習——它使用神經網絡來提高其預測能力。

　　免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯(lián)系刪除！