DualStream-MTCA: A Hybrid Deep Learning Model for the Simultaneous Early Detection of Sepsis and Heart Failure in Adult Intensive Care

在重症监护室（ICU）这种高风险的环境中，时间是最关键的资源。患者面临的最危险的两种状况是脓毒症（sepsis）和心力衰竭（heart failure）：前者是对感染的一种可能导致器官衰竭的致命反应，后者则是指心脏无法泵出足够血液以满足身体需求的情况。这两种状况通常表现出相似的早期预警信号：心跳加速、血压降低和呼吸急促。这种相似性为医生制造了一个危险的困境。这两种疾病的治疗方案往往截然相反；脓毒症通常需要积极的液体复苏以维持血压，而心力衰竭则通常需要移除液体，以防止肺部积液。给出了错误的治疗方案可能会导致死亡。目前，医生依赖于分别预测每种状况的独立工具，但这些工具往往在患者已经开始恶化之后才发出警报。医学界的挑战在于构建一个能够及早发现这两种威胁、区分它们，并在患者病情变得危重之前向医疗团队发出警报的系统。

库尔德斯坦海勒大学（University of Kurdistan Hewlêr）的研究人员开发了一种旨在解决这一特定问题的新型计算机模型。他们创建了一个名为 DualStream-MTCA 的系统，该系统充当了脓毒症和心力衰竭的同步早期预警检测器。该模型并非将患者的数据视为单一的快照，而是分析了其生命体征和实验室结果随时间变化的动态历史。它是在包含 53,229 名成年 ICU 患者记录的海量数据集上进行训练的。该系统通过运行两条平行的分析流来工作：一条流监测过去 48 小时内心率和体温等生命体征的每小时变化，而另一条流则追踪过去一周的每日实验室结果。这两条信息流随后被一个机制进行合并与交叉引用，该机制允许模型观察生命体征与实验室结果如何相互影响。为了做出最终决策，该模型还整合了一个专门的组件，该组件能从最新的实验室结果模式中学习，类似于经验丰富的临床医生如何权衡特定的血液检测结果与患者病史的关系。

在对来自同一数据库且模型从未见过的留存患者组进行测试时，该系统表现出了极高的准确性。它在脓毒症方面的 AUC（曲线下面积）达到了 0.867，在心力衰竭方面的 AUC 达到了 0.899。这些数字代表了相比于此前分别处理这两种疾病的模型有了显著提升。研究人员还发现，该模型非常擅长了解其预测的确定程度。通过使用一种在决策过程中引入微小随机变化的技巧，该系统可以提供一个几乎与现实完美匹配的置信度评分。这意味着，当模型标记一名患者时，医生可以信任它分配的概率，而不是去猜测这是否是一个虚假警报。该模型还成功识别了驱动其决策的具体因素，例如用于脓毒症的乳酸水平和白细胞计数，以及用于心力衰竭的心脏相关指标，这证实了它学习的是具有医学相关性的模式，而非随机噪声。

然而，研究人员非常谨慎地测试了该系统在不同医院环境下（而非仅在训练集所在的医院）的表现。当他们将该模型应用于来自另一个数据库的超过 10 万份患者记录时，结果喜忧参半。该系统在预测心力衰竭方面仍然非常有效，性能仅有轻微下降。但其检测脓毒症的能力出现了更明显的下降。研究人员将这种下降归因于两家医院记录数据方式的差异：第二个数据库中详细的微生物学报告要少得多，而这些报告对于识别脓毒症至关重要。这一发现凸显了一个现实世界的局限性：虽然该模型功能强大，但它依赖于可用数据的质量和类型。如果一家医院没有记录相同的特定细节，模型针对某些疾病的准确性可能会受到影响。研究得出结论，虽然这种双重检测方法是一个重大进步，但在它可以用于指导每家医院的治疗决策之前，需要针对当地的数据系统进行仔细的适配。这项工作证明，构建一个能够同时监测多种冲突性医疗紧急情况的单一系统是可能的，这为实现更早、更准确的干预提供了更清晰的路径。