败血症是导致住院患者死亡的重要因素，早期识别和治疗对于提高死亡率至关重要。Epic 败血症模型（ESM）是一种广泛使用的人工智能预测模型，可在败血症发作前标记高危患者。Kamran 及其同事进行了一项研究，以评估 ESM 在整个住院期间以及相对于败血症治疗时间的检测准确性。该研究纳入了 77,582 名符合条件的患者，ESM 利用他们的电子健康记录（EHR）在整个住院期间每隔 20 分钟进行一次预测。在败血症标准达成之前和首次治疗指标之前，对 ESM 的预测性能进行了评估，并将其性能量化为接受者操作特征曲线下面积（AUROC）。研究发现，在败血症标准达成之前，ESM 预测的 AUROC 为 0.62，而在首次治疗指标之前的预测仅为 0.47。总的来说，这项研究表明，ESM 在正式临床诊断之前可以合理地预测败血症，但在更早的时间点进行准确预测存在局限性。
相关阅读：使用医疗保健中的非结构化数据进行败血症早期预测和诊断的人工智能
深入的[回顾性队列]研究：该研究使用了 77,582 名符合条件的回顾性住院患者队列，其中 3,766 名（4.9％）患上了败血症。研究人员使用了美国疾病控制与预防中心或美国医疗保险和医疗补助服务中心的临床定义来定义败血症。主要结果是 ESM 在满足败血症标准之前和首次治疗指标之前的预测性能。整个住院期间的败血症预测被用作性能的上限。其他时间点包括在订购血液培养、输液和治疗之前的预测。在败血症标准达成之前，ESM 预测的 AUROC 为 0.62（95％CI，0.61-0.63），而上限为 0.87（95％CI，0.86-0.87）。仅使用首次治疗指标之前的预测时，性能下降至 0.47（95％CI，0.46-0.48），其中 AUROC 为 0.5 意味着模型的预测性能并不比随机猜测好。当预测仅限于订购血液培养之前时，性能下降最多。在 84.8％的败血症病例中，治疗指标在败血症标准达成之前出现，缺乏可用数据可以解释性能较低。该研究受到败血症缺乏普遍接受的定义以及样本仅限于单个医疗中心的限制。作者得出结论，该研究对开发和评估临床败血症预测模型具有重要意义，并强调了开发人员和研究人员在人工智能设计方面的重要考虑因素。
（全文结束）
