自动化程序可以识别新生儿重症监护病房(NICU)中的哪些患病婴儿在临床医生认识到危及生命的情况之前有脓毒症的时间。一组数据研究人员和医生科学家在新生儿重症监护病房(NICU)人群中测试机器学习模型，仅使用电子健康记录(EHR)中常规收集的数据。

“因为早期检测和快速干预对于败血症是必不可少的，像这样的机器学习工具提供了改善这些婴儿临床结果的潜力，”第一作者Aaron J. Masino博士说，他领导了研究团队的机器学习努力。Masino是麻醉学和重症医学系的助理教授，也是费城儿童医院(CHOP)生物医学和健康信息学系的成员。“后续临床研究将使研究人员能够评估此类系统在医院环境中的表现。”

研究小组于2月22日在PLOS ONE的回顾性病例对照研究中发表了研究结果。

婴儿死亡率和发病率的全球主要原因是败血症始于细菌侵入血液。不幸的是，攻击性免疫反应会导致脓毒性休克发展，这是一种严重的全身状况，导致多个器官衰竭，有时甚至致命。虽然在健康的足月婴儿中相对罕见，但早产儿或慢性住院婴儿的败血症发生率要高200倍。婴儿败血症的幸存者可能会遇到长期问题，如慢性肺病，神经发育障碍和长期住院。

由于临床症状模糊和筛查测试不准确，住院婴儿脓毒症的快速诊断通常很困难。认识到败血症的延迟导致干预延迟，包括抗生素治疗和支持治疗。然而，不必要地使用抗生素会带来其自身风险并增加抗生素耐药性，因此明确的早期诊断非常重要。

目前的研究旨在开发一种机器学习模型，能够在临床怀疑前至少四小时识别NICU婴儿的败血症。“据我们所知，这是第一项研究机器学习，以便在临床识别前使用常规收集的EHR数据识别败血症，”Masino说。

机器学习使用计算和统计技术来训练计算模型以从数据中检测模式，然后执行期望的任务。在这种情况下，研究小组评估了八种机器学习模型能够分析患者数据以预测哪些婴儿患有败血症。由于数据来自NICU婴儿的回顾性样本，研究人员能够将每个模型的预测与随后的发现进行比较 - 无论个体患者是否被发现患有败血症。

从2014年到2017年，研究小组利用CHOP NICU的618名婴儿的EHR数据。患者登记中的许多婴儿早产;该队列的中位孕龄为34周。共同发生的病症包括慢性肺病，先天性心脏病，坏死性小肠结肠炎(严重的肠道感染)和手术条件。

共同作者包括儿科医生和生物医学信息学专家Robert W. Grundmeier，医学博士，以及新生儿科医生和败血症专家Mary Catherine Harris医学博士。两者都利用他们的临床经验和医学文献知识来帮助开发EHR数据中可用的败血症相关特征组。Masino，Grundmeier和Harris除了担任CHOP职务外，还是宾夕法尼亚大学Perelman医学院的教员。

该研究的主要临床研究人员Grundmeier和Harris制定了36个与婴儿败血症相关或怀疑相关的特征清单。这些特征分为生命体征，实验室值，合并症和临床因素，例如婴儿是否在呼吸机上，是从EHR条目中提取的，并提供了机器学习模型的输入数据。“像我一样的生物医学信息学专家与我们的临床医生同事合作，从EHR数据中选择相关特征，”Masino说。

在临床识别病症之前，八个模型中的六个在准确预测脓毒症方面表现良好。

Masino说，该团队的研究结果是为医院实践开发实时临床工具的第一步。研究人员计划通过进一步的研究来跟进这项研究，以改进他们的模型并在精心设计的前瞻性临床研究中研究软件工具。“如果研究验证了其中一些模型，我们可能会开发一种工具来支持临床决策并改善重症患儿的预后，”他补充说。