Введение: раннее распознавание сепсиса имеет критическое значение для своевременного назначения терапии. Ранние вмешательства (к примеру, антибиотики) могут снизить риск органного повреждения и последующей смерти. Широко используемые клинические шкалы, — SOFA и NEWS, — ограничены в прогностической эффективности в отношении органного повреждения и летальности у пациентов с ранним сепсисом. Модели машинного обучения могут улучшить стратификацию риска путем интеграции широкого спектра параметров.
Методы: это исследование является post-hoc анализом проспективно собранных данных от 1431 пациентов, поступивших в отделение неотложной помощи с подозрением на сепсис. 149 параметров, что рутинно собираются при лечении во время пребывания в отделении неотложной помощи, были извлечены из медицинских электронных записей. Модели машинного обучения для прогнозирования органного повреждения и 30-дневной летальности были разработаны с десяти-кратной валидацией. Проверка эффективности модели проводилась путем сравнения со шкалами SOFA и NEWS.
Результаты: модели машинного обучения достигли AUROC (area under the receiver operator curve) 0.798, 95 % CI [0.775, 0.821] для органного повреждения и 0.808, 95 % CI [0.777, 0.839] для 30-дневной летальности, что превосходило qSOFA (AUROC 0.557-0.577) и NEWS (AUROC 0.576-0.610). Сывороточный креатинин, шкала SOFA, шкала ISAR-HP и клиническая импрессия в наибольшей степени повлияли на оценку моделью машинного обучения.
Выводы: при раннем сепсисе модели машинного обучения, использующие рутинные данные, доступные в отделении неотложной помощи, показали ассоциации с улучшением прогностической эффективности в отношении органного повреждения и 30-дневной летальности по сравнению с традиционной системой оценки по шкалам, что указывает на потенциал этих моделей в поддержке процесса принятия клинического решения.
Наш сайт работает без рекламы, и мы рады, что вы с нами! Для поддержки проекта и его развития сканируйте QR-код ниже!
