«Мы разработали и утвердили первый алгоритм машинного обучения, чтобы предсказать тяжелый сепсис и септический шок в большой академической системе здравоохранения мультибольницы», сказали ведущий автор Хизер Джаннини, Мэриленд, Больницы Университета Пенсильвании. «Это – прорыв в использовании технологии машинного обучения и могло изменить парадигму в раннем вмешательстве в сепсис».Машинное обучение – тип искусственного интеллекта, который предоставляет компьютерам способность изучить сложные образцы в данных без того, чтобы быть явно запрограммированным, в отличие от более простых основанных на правилах систем.
Более ранние исследования использовали электронные данные о медицинской документации, чтобы вызвать тревоги, чтобы обнаружить клиническое ухудшение в целом.Исследователи разработали алгоритм машинного обучения, чтобы предсказать пациентов, самых подверженных риску тяжелого сепсиса или септического шока, и использовать их электронную медицинскую документацию, чтобы предупредить команду ухода.
Чтобы разработать алгоритм, они обучили случайный лесной классификатор, подход классифицировать широкий спектр данных, сортировать электронные данные о медицинской документации для 162 212 пациентов, освобожденных от обязательств между июлем 2011 и июнем 2014 из трех больниц неотложной помощи Системы здравоохранения Университета Пенсильвании. Алгоритм смог исследовать сотни переменных на постоянной основе. Пациенты с тяжелым сепсисом или септическим шоком были маркированы как таковыми за 12 часов до фактического начала тяжелого сепсиса или септического шока. Начало было определено на основе результатов лаборатории и физиологических данных, таких как кровяное давление.
В общей сложности 943 пациента в базе данных встретили назначенную лабораторию или физиологические критерии.Алгоритм был утвержден в режиме реального времени между октябрем и декабрем 2015 с 10 448 пациентами, в то время как о них заботились в больницах исследования, используя «тихий способ» электронной выборки медицинской документации.Приблизительно 3 процента всех пациентов неотложной помощи показали как уверенные, и 10 тревог посылали каждый день через эти три больницы.«Мы надеялись определить тяжелый сепсис или шок sepic, когда было достаточно рано вмешаться и прежде чем любое ухудшение началось», сказали ведущий автор Крэйг Амшейд, Мэриленд, Больницы Университета Пенсильвании. «Алгоритм смог сделать это.
Это – прорыв в показе, что машинное обучение может точно определить тех из-за опасности тяжелого сепсиса и септического шока».Доктор Амшейд добавил, что следующие шаги должны исследовать процесс и изменения результата, следующие из использования этого алгоритма машинного обучения, и видеть, оказывает ли алгоритм влияние в клинической практике.