脓毒症患者如何使用抗生素？让人工智能来告诉你

　　

一种新的机器学习模型可以估计脓毒症的最佳治疗时机，从而帮助医生在患者床边做出个性化治疗决策。

俄亥俄州立大学的科学家近日在《自然-机器智能》（Nature Machine Intelligence）杂志上介绍了这种新模型，它使用人工智能来解决何时向疑似脓毒症患者施用抗生素的复杂问题。

在脓毒症面前，时间是至关重要的，因为这种对感染的强烈反应可迅速导致器官衰竭。然而，它的症状与其他许多疾病类似，包括发烧、低血压、心率加快和呼吸问题。联邦指导方针要求将广谱抗生素作为第一道防线进行快速治疗，这一策略通常需要在实验室确认细菌感染之前就采取行动。

因此，这一模型的设计考虑到了这些不确定性和时间压力。

研究人员利用美国数据库和欧洲数据库的危重患者信息测试了模型的性能，将实际治疗的结果与模型基于其生命体征、实验室结果和风险相关人口数据建议的结果进行了比较。代表结局的衡量指标是脓毒症治疗后30天和60天的患者生存率。

通讯作者、俄亥俄州立大学计算机科学与工程系助理教授Ping Zhang博士表示：“我们的研究表明，当实际治疗和人工智能相一致时，死亡率较低。如果不一致，死亡率可能高达25%。”

这个模型是在一个名为MIMIC-III的公开数据库中的数据集上进行训练和验证的。他们收集了近1.4万名脓毒症患者的关键指标，包括患者生命体征和实验室检测结果随时间的变化，作为疾病严重程度和感染类型的指标，并采用一种创新方法来比较特定时间接受和未接受抗生素的患者的结局。

“我们希望通过建模来预测在特定时间使用抗生素是否有益。但我们永远不知道，如果不使用抗生素会发生什么。因此，我们将临床试验的概念应用到这个模型中：对于每一个服用过药物的患者，我们都匹配了一个临床上相似但当时没有服用抗生素的患者，”Zhang博士说。“这样，我们就可以预测反事实的结果，并训练反事实的治疗模型，以发现脓毒症的治疗是否有效。”

脓毒症造成超过三分之一的院内死亡，最常出现在重症监护病房和急诊室，“我们经常在没有金标准的情况下做出决策，”共同作者、俄亥俄州立大学急诊医学系的助理教授Katherine Buck博士说。“并不是每个符合脓毒症标准的患者都有细菌感染的证据。”

抗生素的使用也并非没有风险——它们可能对肾脏有毒，引发过敏反应或导致艰难梭菌感染，这种感染会引起严重腹泻和结肠炎。

Zhang博士认为，这些见解以及电子病历数据非常重要，它们能够为模型投喂正确的数据，并在设计时考虑到不断变化的医疗环境带来的多种考虑因素。

“我们对患者的病历数据进行建模，就像它是语言一样，”他说。“对于机器学习，我们总是一批一批地训练模型——你需要模型来分析数据的模式，设置参数，并根据这些参数，添加另一个训练数据集来进行改进。机器总是能找到更好的参数来适应模型。”

指导模型的一个关键指标是器官衰竭序贯评估（SOFA）评分，该评分是根据六项实验室检测的结果定期评估ICU患者器官系统的表现。研究人员进行了案例研究，以演示为临床环境开发的界面可能是什么样子。他们展示了当模型根据个性化患者数据的变化调整推荐的治疗时间表时，SOFA评分是如何变化的。

“我们的论文是首次使用人工智能来寻求脓毒症的抗生素使用建议，使用真实世界的数据来指导临床决策，”Zhang博士指出。“任何像这样的研究都需要临床验证——这是回顾性数据分析的第一阶段，第二阶段将涉及人类与人工智能的合作，以便实现更好的患者治疗。”

原文检索

Liu, R., Hunold, K.M., Caterino, J.M. et al. Estimating treatment effects for time-to-treatment antibiotic stewardship in sepsis. Nat Mach Intell (2023). https://doi.org/10.1038/s42256-023-00638-0