柏林 ESICM 大会上利用 AI 检测脓毒症

mitaromana2024@

改进预测和减少误报是败血症检测的两个优先事项，这正是Bisepro项目的目标，该项目旨在创建一个智能医疗警报系统，以及早发现死亡率最高的疾病之一。 在制药公司 MSD 和 IdISBa 的支持下，知识工程研究所 (IIC) 和 Son Llàtzer 大学医院共同努力在这一领域取得进展。该项目的一些结果反映在最近的两篇出版物中，它们揭示了基于机器学习和自然语言处理（NLP）的预测模型相对于传统脓毒症检测模型的优势。 Son Llàtzer 大学医院脓毒症科主任兼西班牙脓毒症规范主任Marcio Borges负责在第 32 届欧洲重症监护医学会 (ESICM) 年度大会上介绍这些进展。在柏林。

用于脓毒症检测的机器学习和 NLP 鉴于最近有关人工智能技术 塞内加尔电话号码表 改进败血症检测的研究结果，马略卡岛帕尔马 Son Llàtzer 医院基于该技术开展了预测模型工作。 电子化学显微镜出版物《使用人工智能 (AI) 和机器学习 (ML) 技术检测住院成人患者脓毒症和脓毒症休克》总结了根据医院临床病例创建不同预测模型的项目。 考虑到超过 800,000 份脓毒症患者和非脓毒症患者的临床报告，提取了近 4,000 个可能与该疾病相关的变量。最后，在评估不同的模型组合后，选择了构成最精确的 Bisepro 模型的 244 个相关变量。 脓毒症预测模型的比较 出版物“预测脓毒症模型之间的比较：电子健康报告中的自动化算法与人工智能（AI）和机器学习（ML）技术”重点关注使用上述预测模型减少脓毒症的误报。 具体来说，Son Llàtzer 大学医院传统上用于检测疾病的自动模型之一与通过机器学习和 NLP 创建的模型（包括 Bisepro）进行了比较。



在自动模型的警报中，识别出 62% 的误报和 12% 的漏报，而在Bisepro 检测到的病例中，识别出11.2% 的误报和0.9 % 的漏报。 经过研究确定，基于机器学习的预测模型明显优于传统自动模型，误报率降低了 50% 以上。 这两份出版物均由参与该项目的 Son Llàtzer 大学医院的专业人士签署，此外还有IIC 健康与能源预测分析领域主任Julia Díaz和同一领域的数据科学家 Cristina Pruenza。 ESICM 大会每年有来自 97 个不同国家的 6,000 多名医学专业人士和 300 名来自不同专业的国际演讲者参加。大会提供辩论和大师班，其中涉及最新技术和科学进步的测试。