@ 2015.08.10 , 08:30

用大数据嗅探败血性休克

[-]

马里兰州约翰·霍普金斯医院的David Hagar医生每天要在重症监护病房治疗几十个病人。他有一个病人除了血压偏低几乎完全健康,四小时后,病人死于败血性休克。

约翰·霍普金斯大学的一组科学家们和Hagar搭档创建了一套算法能够预测败血性休克,给临床医生们赢得更多时间处理危险状况。

败血性休克是败血症的第三阶段,它很难预测。败血症是由感染引发的严重免疫系统反应,阻塞通向器官的血流而导致衰竭。医生对败血性休克的治疗方案是收缩血管或者给病人补液,以维持正常血压给重要器官恢复供血。

一次发作的预警症状会酝酿数周或数小时不等。

他们的计算机系统筛选了超过16,000名患者的电子健康档案,包括血压、心率和其他生理测量的历史数据。算法结合27种用来诊断败血性休克的最常用测量,生成针对性的实时预警评分,叫做TREW评分。如果一名患者的TREW评分显示其有败血性休克的危险,就会向医生发送警报,在败血症还相对容易抵抗的时机采取行动。

[-]
研究者 Tatiana Rypinski

研究发现,相比起竞争者之一的“改进预警评分”,TREW评分能更早确认61%的败血性休克患者。TREW评分不但能更早预测败血性休克,它也更加准确。TREW评分正确发现了85%有败血性休克危险的病人,而改进预警评分在同期确认了73%的败血性休克。

Hager说,美国每年有超过75万人出现严重败血症和败血性休克;其中40%的病情会最终致命。

研究的主要计算机工程师Suchi Saria解释道,一个需要克服的困难是使用电子健康数据具有挑战性。部分困难在于医疗信息记录中可能会有系统性偏差。例如,一名被治疗成功的患者在电子健康记录里会表现会低风险,因为败血性休克被阻止了。这些情况影响了算法的表现。当前的计算机化临床决策支持(CDS)模型在利用电子健康记录时不考虑这种更改过的信息。

Saria和她的团队通过修改模式识别软法来解决这个问题,使计算机避免把高风险患者误诊为低风险。这个计算机系统还能为很多不同的病症量身定制,如急性肺损伤,肺炎和神经病变等后期康复疾病。

Saria说:“我们正处在一个非常激动人心的时刻,越来越多的数据作为电子健康记录被收集,现在我们的算法正在达到可以真正帮助临床医生的地步。”

[-]

本文译自 IEEE Spectrum,由 王丢兜 编辑发布。

赞一个 (14)