机器学习模型预测败血症拯救生命

机器学习模型预测败血症拯救生命

如何通过机器学习帮助医院在为时已晚前检测败血症

2015年，电气与计算机工程师Supreeth Shashikumar在寻找博士项目时遭遇困境。佐治亚理工学院没有教授需要他的语音识别和语音处理专业背景。于是他转向生物医学信号处理领域，结识了当时在埃默里大学生物医学信息学系担任助理教授的Shamim Nemati。

如今，Shashikumar与Nemati在加州大学圣地亚哥分校持续合作，他们开发的医疗技术获得某机构研究奖项支持，正在保护和拯救医院患者的生命。

败血症检测的紧迫性

败血症是由感染进入血液引发的危及生命的病症，可导致器官衰竭、感染性休克和死亡。根据某机构数据，治疗每延迟一小时，败血症进展至严重败血症和死亡的风险就会增加4%-9%。

急诊科 clinicians 持续监测败血症迹象，如发烧、心率或呼吸频率升高。早期检测至关重要。

突破性技术：WUPERR模型

2022年，研究团队在《自然·科学报告》发表名为WUPERR（权重不确定性传播和情景表征回放）的模型。该模型使用来自四个独立医疗系统的104,000多名患者的电子健康记录数据进行训练，包含超过40个输入参数：持续生命体征（血压、脉搏率）、实验室测试结果（血液乳酸水平、白细胞计数）、患者年龄和合并症等。

克服两大挑战

灾难性遗忘问题：通过"弹性权重巩固"技术解决，该方法借鉴认知神经科学概念，在添加新医院数据时不影响已学到的知识。

数据隐私保护：采用"情景表征回放"技术，通过神经网络去除所有患者标识符，创建可安全共享的数据表征。

临床实践成效

最新版WUPERR已在某健康中心急诊科投入实际使用，为 clinicians 提供未来四小时内可能发生败血症的早期预警。该系统已运行四个月，数据显示警报比医生开始怀疑感染的时间早1-2小时。

关键性能指标

• 预测60%的败血症事件
• 误报率约50%（相对较低）
• 结合主动感知技术实现最先进性能

技术架构与部署

WUPERR完全基于云端架构，托管在某云服务平台。团队利用自动扩展、负载均衡、容错和监控警报等服务，确保系统100%正常运行时间。云平台提供符合医疗数据保护法规的基础设施，简化不同地区的部署。

未来发展方向

研究团队已创立初创企业推动模型商业化，计划获得监管机构批准。未来重点包括：

• 整合多模态数据（可穿戴传感器、临床记录、影像等）
• 通过持续监测和主动感知解决"数据荒漠"
• 进一步提高模型灵敏度并降低误报率

最终目标：构建能够拯救尽可能多生命的模型。

更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
公众号二维码