关于早期识别塞普西风险的编辑注解

编辑版

Sepsis是全世界发病和死亡的主因早期识别败血症很重要,因为它能及时管理潜在的救生恢复术和抗菌法CIPOSER系统是一个深入学习模型,用于早期预测Sepsis系统,专门设计通过检测误差数据、混乱感、分布移位和数据流出产生的不为人知/状况减少假报警COMPOSER标记这些不为人知案例不确定,而不是虚伪预测六组病人(515 720名病人)从美国两个保健体系跨重症护理单元和急救单元分类编译用于培训并外部和时间验证这一模型

COMPOSER在顺序预测设置中实现曲线下持续高面积(AUC)(ICU: 0.925-0.953!ED:0.938-0.945超过600万预测窗口中约20%和8%分别被确定为不确定非静默和化粪病人COMPOSER在所有六大类中都提供临床可操作时间段内预警(ICU:122[3.222.8]和ED:2.1[0.84.5]小时前Sepsis对引起威胁生命机能失灵的感染解控宿主响应大约三分之一医院死亡可归结为败血症

有效协议处理败塞症,但挑战仍然存在,能否及早可靠检测这一条件。近些年来,医院更多地采用电子医疗记录促使开发机器学习监控工具检测和预测败血症或多医院提供的数据 或多医院提供的数据 或多医院提供 同一医疗体系

监管审批和广泛采用这些系统三大障碍是跨机构缺乏通用性、高假报警率和自动化偏差风险,用户往往过度依赖系统输出而不是主动信息搜索和风险评估算法性能退化(包括提高假报警率和误检测率)主要因素之一是数据分布移位(计算不熟悉的病人)和因医院工作流实践差异引起的数据混乱程度变化此外,最近的一项研究显示,检测异常案例并显示用户异常聚焦信息,使他们更能检测并纠正AI模型潜在的假预测

最近文献强调必须用机器学习算法加入清晰表示使用标签,但现有的Sepsis预测算法都不包括内置机制检测外部线并跨地理和时间域建立模型的“使用条件”。实验中,我们建议CIPOSER(Ceptis风险共多维预测),这是一个深学习模型,旨在预测4-48h前临床猜疑的开始COMPOSER通过预测计划提高可泛化性并降低假报警率,预测计划从统计上判定符合预定义表示器集(aqa相容集),以此建立不可见预测假设法的“使用条件”,包括新病人群和数据质量和混乱程度不等COMPOSER模型由三个模块组成

第一个模块使用临床变量和定时测量信息生成下维表示式,这些表示式对数据混乱模式和机构特有的工作流实践强健模块二包括兼容预测网络,为部署环境风险评估阶段检测超出分布(即不确定)样本提供统计框架使用两包数据表示器(aka相容集)明确量化新病人级特征矢量与开发群中前所见化粪池和非吸附特征矢量实例的相容性

一致性预测允许模型检测出不符合算法使用条件的外部输入,算法随后分配到不确定预测标签类补充性实例说明测试样本被一致性预测模块接受或拒绝第三个模块包括Sepsis预测器,即进料前神经网络,后接逻辑回归