每年，全世界有3000多万人感染败血症，估计造成600万人死亡。败血症是人体对感染的极端反应，通常会危及生命。

由于每一个小时的延迟治疗可以增加4 - 8%的死亡几率，及时和准确的预测败血症对降低发病率和死亡率至关重要。为此，各种卫生保健组织已经部署了预测分析，通过使用电子医疗记录(EMR)数据来帮助识别败血症患者。

一个国际研究团队，包括来自麦克马斯特大学(McMaster University)和圣约瑟夫医疗汉密尔顿学院(St. Joseph 's Healthcare Hamilton)的数据科学家、医生和工程师，创建了一种人工智能(AI)预测算法，大大提高了数据驱动的败血症预测的及时性和准确性。

“使用人工智能和临床数据，败血症可以非常准确和非常早地预测，但对临床医生和数据科学家来说，关键问题是这些算法需要多少历史数据才能做出准确的预测，以及它们能在多远的时间内准确预测败血症。”该研究的合著者、麦克马斯特德格鲁特商学院卫生政策和管理助理教授马纳夫·扎古什说。

为了在临床护理环境中预测脓毒症，一些系统使用EMR数据和疾病评分工具来确定脓毒症风险评分——本质上是作为数字化的、自动化的评估工具。更先进的系统采用预测分析，如人工智能算法，以超越风险评估和识别败血症本身。

利用人工智能预测分析，研究人员创建了一种名为双向长短期记忆(BiLSTM)的算法。它检查了四个关键领域的几个变量:管理变量(例如，重症监护病房(ICU)的住院时间、住院到ICU的时间间隔等)、生命体征(例如，心率和脉搏血氧测量等)、人口统计数据(例如，年龄和性别)以及实验室检测(例如，血糖、肌酐、血小板计数等)。与其他算法相比，BiLSTM是更复杂的机器学习子集——称为深度学习——它使用神经网络来提高预测能力。

该研究将BiLSTM与其他六种机器学习算法进行了比较，发现BiLSTM在准确性方面优于其他算法。通过减少假阳性来提高准确性是算法成功的关键，因为这些错误不仅浪费医疗资源，而且也削弱了医生对算法的信心。

有趣的是，该研究发现，通过更专注于患者最近的数据点的算法，而不是进一步查看尽可能多的数据点，预测准确性可能会提高。

研究人员指出，可以理解的是，临床医生倾向于在很长一段时间内用尽可能多的数据点填充算法。然而，他们的发现表明，当预测的目的是准确和及时地预测败血症时，具有长期预测视野的医生应该更多地依赖于较少但更近期的患者临床数据。

“圣乔医院将在11月下旬启动一个认知计算试点项目，包括理解如何使用人工智能来帮助实时预测真实患者的败血症，”研究合著者、医生、圣约瑟夫医疗保健汉密尔顿的首席信息官Dan perri说。他也是麦克马斯特大学的医学副教授。

perri补充说:“了解能够预测败血症的数据的广度和范围，对于任何试图使用人工智能从严重感染中拯救生命的组织来说都是很重要的。”

“从败血症模型中学到的知识转化为构建更好的机器学习工具，从而对一些病情最严重的患者进行适当的早期干预，同时也避免可能导致医护人员疲劳的不必要警告。”

这项研究发表在《自然科学报告》杂志上。