返回
Decoding sepsis: A technical blueprint for an algorithm-driven system architecture
DOI:10.1177/20552076251389389.png)
摘要
En 中文
研究目的
脓毒症仍然是医疗保健领域的主要死亡原因,需要快速检测和干预。本文提出了一种可扩展、无服务器的机器学习(ML)操作架构,用于急诊科(ED)候诊室的近实时脓毒症风险分层,其中病理数据通常不可用,而识别脓毒症为及时治疗提供了最大的机会。
方法
该系统通过MuleSoft在安全的Amazon Web Services(AWS)云环境中集成HL7消息处理,利用AWS服务(如Lambda用于实时数据处理和SageMaker用于ML模型部署)。为优化模型性能,使用受试者工作特征(ROC)曲线评估不同年龄组(16–35、35–65和65–115)的不同概率截断阈值,旨在达到>80%的灵敏度并最小化假阴性。处理后的数据存储在Aurora PostgreSQL关系数据库服务中,并在本地专有仪表板中可视化,以支持临床决策。
结果
尽管系统具有高可靠性,99.7%的HL7消息成功处理,但局限性包括因停机和代码集不匹配导致的偶发失败,以及在高负载下10.5秒的峰值执行时间,凸显了优化区域。使用XG Boost开发的符合条件ED就诊数据(n = 484,617)已集成到SageMaker的实时端点中。极端梯度提升(Extreme Gradient Boosting)模型实现了最高的总体准确率(0.84)和F1分数(0.80),在ED内指定的有限特征下实现了平衡的灵敏度和特异度。年龄组(16–35、36–65、66–115)的ROC显示所有队列均表现良好(AUCs:0.864、0.867、0.806)。
结论
本文概述了系统的设计、实现及其通过急诊科候诊室的近实时监测增强早期脓毒症风险分层的能力。
期刊
D
IF:
3.3
论文数:
1.4K
被引数:
429
机构
引用论文
Targeted validation: validating clinical prediction models in their intended population and setting针对性验证: 在预期人群和环境中验证临床预测模型
Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy预测脓毒症的机器学习: 诊断测试准确性的系统回顾和荟萃分析
INTENSIVE CARE MEDICINE
IF21.2
The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3)脓毒症和脓毒症休克定义的第三次国际共识 (Sepsis-3)
Executive Summary: Surviving Sepsis Campaign: International Guidelines for the Management of Sepsis and Septic Shock 2021执行摘要: 脓毒症生存运动: 脓毒症和脓毒症休克管理的国际指南2021
Hospital-related costs of sepsis around the world: A systematic review exploring the economic burden of sepsis世界各地脓毒症的医院相关费用: 探索脓毒症经济负担的系统评价

