编辑推荐：
脓毒症、感染性休克和心源性休克死亡率高且鉴别困难。研究人员利用 MIMIC-III 数据库和 AI 技术，开展不同 AI 系统诊断这三种病症的研究。结果显示 BNCs 诊断性能佳且可解释。该研究为临床诊断提供新方向1910。
在医学领域，脓毒症、感染性休克和心源性休克是极为凶险的病症，它们如同隐藏在黑暗中的杀手，悄无声息地威胁着患者的生命。这些病症不仅死亡率高，而且由于症状存在重叠，医生在诊断时常常如同在迷雾中摸索，难以快速且准确地区分。传统诊断方法在面对这些复杂病症时，往往力不从心，误诊、漏诊的情况时有发生，这无疑进一步加剧了患者的病情风险。因此，寻找一种更精准、高效的诊断方法迫在眉睫。
在这样的背景下，来自德国的研究人员挺身而出，开展了一项极具意义的研究。他们以《Comparison of different AI systems for diagnosing sepsis, septic shock, and cardiogenic shock: a retrospective study》为题，在《Scientific Reports》上发表了相关成果。研究人员借助 Medical Information Mart for Intensive Care（MIMIC）-III 数据库和人工智能（AI）技术，聚焦于贝叶斯网络分类器（BNCs），并将其与其他 AI 方法进行对比，致力于提升对脓毒症、感染性休克和心源性休克的诊断精度12。
为了实现这一目标，研究人员采用了多种关键技术方法。首先，他们从 MIMIC-III 数据库中筛选数据，依据国际疾病分类第 9 版（ICD-9）诊断表及相关指南，确定脓毒症、感染性休克和心源性休克患者。接着进行数据处理，提取 Elixhauser 等合并症指数并纳入变量，同时构建多种预测变量。然后，运用三步特征选择法，从 51 个变量中筛选出 12 个用于构建模型。最后，训练并评估多种分类器，包括 BNCs、朴素贝叶斯（NB）、One Rule 分类器（OneR）、分类和回归树（CART）以及前馈反向传播人工神经网络（ANN），使用十折交叉验证等评估指标345。
研究结果令人振奋。在不同 BNCs 的比较中，树增强朴素贝叶斯（TAN）方法准确率在 91.3% - 91.5%，半朴素贝叶斯分类器（SNBC）正向序列模型为 91.1%，反向序列模型为 90.9%，而 NB 方法相对较低，为 87.6%。与其他模型对比，CART 模型仅用血管活性药物依赖、乳酸和感染这几个预测因子，准确率就达到 91.6%；ANN 最高准确率为 90.5%，不同多层 ANN 准确率在 85.0 - 88.0%。在十折交叉验证中，TAN（BIC）、TAN（AIC）和前向序列选择和连接（FSSJ）模型表现稳定，ANN 则出现性能下降。所有模型对心源性休克分类存在困难，敏感性在 77.3 - 83.5%，通过上采样虽可提高心源性休克敏感性，但会降低整体模型性能678。
在研究结论和讨论部分，BNCs 在诊断这些病症方面展现出有效性，其准确性与 ANN 相当，且具有可解释性，挑战了 ANN 作为 AI 金标准的传统观念。同时，研究也指出了模型存在的局限性，如对心源性休克分类困难，可能与数据或变量相关不足有关，数据集存在心肌梗死代表性不足、缺乏时间背景等问题。此外，研究人群的异质性也影响模型的普适性。不过，该研究为后续研究指明了方向，如进行外部验证、优化模型、探索亚表型对模型性能的影响等91112。
总的来说，这项研究意义非凡。它为脓毒症、感染性休克和心源性休克的诊断提供了新的思路和方法，BNCs 有望成为临床诊断的有力工具。尽管目前还存在一些问题，但它为未来的医学研究和临床实践点亮了一盏明灯，激励着更多科研人员在这条道路上不断探索，为拯救更多患者的生命而努力。
