Predicting Positive Blood Cultures Early in Hospitalization Using Time Locked Electronic Health Record Data
本研究表明，一种利用电子健康档案数据的时限性机器学习模型能够有效预测入院后24小时内血培养阳性的风险，从而在最终结果公布前实现对患者的优先干预。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
医院是人体防御机制往往已经受损的地方，当患者出现通过血液传播的严重感染时，赌注是极其高昂的。为了找到导致疾病的具体病原体，医生会抽取血液并将其送往实验室以培养细菌或真菌，这一过程被称为血培养。这项检测是诊断危及生命感染的金标准，但它有一个令人沮丧的缺陷：绝大多数此类检测结果呈阴性，即没有发现生长。有时血液确实是干净的，但通常是检测未能捕捉到病原体，或者样本在抽血过程中被皮肤细菌意外污染。当培养结果转为阳性时，这是一个需要立即关注的关键时刻，但由于大多数结果是阴性的，医疗团队必须对每一个样本都保持同样的谨慎程度，这可能会消耗资源并延误对少数真正需要治疗的患者的护理。因此，挑战不在于决定谁应该接受检测，而在于在抽血之后，如何确定哪些样本最有可能揭示危险的病原体，以便让合适的患者能够获得优先处理、更快的检测结果和治疗。
布朗大学健康中心的一组研究人员致力于解决这一特定问题，他们构建了一个计算机模型，充当血培养结果的智能过滤器。他们分析了超过 51,000 例住院病例的数据，这些病例在患者入院的第一天内进行了血培养。研究人员训练了一个机器学习系统，使其能够观察在抽血那一刻患者电子健康记录中已有的信息。这些信息包括患者的年龄、既往病史、是否在重症监护室、近期接受了哪些药物，以及当前的生命体征和血液检查结果。至关重要的是，该模型被设计为“时间锁定”的，这意味着它只能使用针头接触静脉之前存在的事实，从而确保它不会使用尚未准备就绪的实验室结果。其目标是观察计算机是否能发现人类医生可能忽略的数据模式，从而预测哪些患者面临着最高的感染风险。
研究发现，该模型在区分可能的感染与阴性结果方面表现出色。在模型从未见过的患者组中，它成功识别出了一小群高风险个体。虽然研究中所有血培养样本中只有约 4% 为阳性，但当专注于模型的首选对象时，其预测准确率大大提高。在模型标记为具有最高风险的前 1% 患者中，近 30% 的培养结果实际上为阳性。即使是在预测风险前 5% 的人群中，阳性结果率也跃升至近 20%。这意味着如果医疗团队将注意力集中在这些特定患者身上，该工具可以有效地使发现真实感染的可能性增加三到四倍。模型使用的最强有力的线索是一个简单的病史：患者过去是否有过阳性血培养记录。有过血液感染史的患者再次发生感染的可能性要大得多。然而，即使研究人员从模型中剔除了这一病史，系统仍然表现良好，依靠其他信号，如近期的住院经历、入院类型以及血液化学指标中的特定异常（如血小板计数低或血液中废物水平高）。
研究人员还通过改变“游戏规则”来测试其发现的稳健性。他们检查了模型仅仅是在统计医生下达了多少次检测指令，还是真正学习了关于患者的情况。他们发现，模型的成功并不取决于下达了多少次检测，而是取决于实际的临床情况。他们还确认，即使在仅查看患者首次住院或排除极快死亡的患者时，模型依然保持准确，这表明该工具在不同场景下都是稳定且可靠的。这项研究并未声称该模型可以取代医生，也没有声称它可以预测那些从未进行过抽血检测的患者是否会发生感染。相反，作者将其呈现为一个实用的“诊断管理”工具，这一概念意味着明智地利用资源。通过使用这个计算机评分来优先处理由实验室查看或由传染病专家立即审核的血液样本，医院可以潜在地加速对最重症患者的治疗，而不必在许多最终会呈阴性的样本上浪费时间。
这项工作代表了医院管理日常产生的大量数据方式的一种转变。与其将每一份血培养都视为需要以同样速度解决的平等谜题，这项研究表明，数字助手可以帮助分诊工作量，突出显示那些发生严重感染概率最高的病例。该模型并非“水晶球”，研究人员强调，它需要在其他医院进行测试，以确保它能在具有不同患者群体的不同环境中发挥作用。但核心发现是明确的：通过仔细分析抽血瞬间可获得的信息，可以识别出一小部分比普通人更有可能发生危险感染的患者，从而让医疗系统将其最紧迫的力量集中在最需要的地方。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。