Artificial intelligence for early sepsis detection in adults: a systematic review of opportunities for clinical decision support and antimicrobial stewardship, and the case for responsible use
这项对17项研究进行的系统综述表明，尽管人工智能模型展现出了高准确度，并且能够比传统临床工具更显著地提前检测出脓毒症，但其负责任的临床应用目前仍受限于高偏倚风险、缺乏独立验证以及关于其对抗生素处方影响的证据不足。
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
脓毒症是对感染的一种危及生命的反应，它能在短短几小时内将普通的疾病转变为医疗紧急情况。当人体免疫系统过度反应并损伤自身器官时，就会发生这种情况。由于其早期症状——发热、心率加快、意识模糊——与许多其他常见疾病相似，医生往往难以快速发现它。目前在床旁使用的工具并不完美；有些会发出过多的虚假警报，而另一些则等待时间过长，直到患者已经陷入严重危险。这种延迟是危险的，因为标准治疗方法（抗生素）在立即使用时效果最好。然而，如果过于随意地给那些并未患有脓毒症的患者使用抗生素，则会加剧日益严重的耐药细菌危机。医学界正处于一种艰难的平衡之中：等待太久面临死亡风险，但行动太随意则面临创造出无法治疗的“超级细菌”的风险。
在这种背景下，赫特福德大学的一个研究小组着手研究一个潜在的解决方案：人工智能。他们想知道计算机程序是否可以从医院现有的海量数据中学习——例如生命体征和血液检测结果——以便比人类医生更早地发现脓毒症。他们的目标不仅是看这些程序能否预测这种疾病，还要了解它们是否能真正帮助医生做出关于何时开始使用抗生素以及何时停止使用的更好决策。研究人员进行了一项系统评价，这是一种收集并分析 2016 年至 2026 年间发表的所有相关研究的严谨方法。他们查看了 17 项在不同医院环境（从重症监护室到急诊室和烧伤中心）中测试这些人工智能工具的成年人研究。
研究结果揭示了一种在主要任务上表现出色但在实际应用中仍未得到验证的技术。所审查的计算机模型能够比医生通常注意到迹象的时间提前数小时识别出即将发展为脓毒症的患者。在人工智能与医生目前使用的标准工具进行直接对比的研究中，人工智能的表现始终更好，通常能提前 4 到 12 小时发出预警。这些系统在不同类型的医院和患者群体中都能发挥作用，且仅利用了患者病历中已记录的常规数据。这些预测的准确性很高，模型在绝大多数情况下都能正确区分病患与健康人群。
然而，研究人员发现，这种高准确性并不意味着该技术已准备好进行广泛应用。对 17 项研究的深入观察显示，大多数研究在设计上存在显著缺陷。大多数研究仅在构建模型时使用的数据上进行测试，这有点像一名学生在考试时使用了前一晚复习过的完全相同的题目。当研究人员寻找那些在来自不同医院的全新患者群体上测试这些模型的的研究时，结果就没那么令人印象深刻了。当人工智能转移到新环境时，其表现明显下降，这表明一个在某家医院运行完美的程序可能会在另一家医院失效。此外，极少有研究检查了人工智能是否真的帮助了患者或改善了抗生素的使用方式。
该综述强调了实验室技术能力与医院实际需求之间的关键差距。虽然人工智能可以预测风险，但研究很少衡量采取行动是否带来了更好的结果。在被审查的研究中，只有极少数研究观察了人工智能是否帮助医生更早地使用抗生素，或者在不需要时停止使用。事实上，没有一项研究报告了该技术是否减少了抗生素的总体使用量，或者是否帮助医生选择了针对性更强的窄谱药物。这是一个重大担忧，因为如果人工智能系统发出过多的虚假警报，可能会导致医生向所有人开具广谱抗生素，从而加剧原本旨在解决的耐药性问题。
作者得出结论，虽然人工智能通过更早捕捉脓毒症提供了一个真正的、近期的挽救生命的机会，但通往负责任使用的路径尚不明确。这项技术已经证明它能比人类更早看到预警信号，但尚未证明它可以被信赖用于指导多样化医院中的治疗决策。为了向前迈进，研究人员认为，未来的研究必须在这些模型将要使用的特定医院中进行测试，而不是仅仅在创建它们的实验室里。他们还强调，医生和医院需要衡量这些工具是否确实改善了处方习惯，以确保治疗脓毒症的冲动不会以产生更难治疗的感染为代价。在采取这些步骤之前，人工智能在脓毒症护理中的前景仍然是一个等待合适条件以充分实现的强大工具。
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。