Более половины смертей в больницах в США связаны с тяжелыми инфекциями или сепсисом. Исследователи из Йельского университета разработали модель прогнозирования, опираясь на "большое количество данных" о местных пациентах и использовании методов машинного обучения, которые оказались лучше при выявлении пациентов из группы риска, чем существующие клинические практики.
В настоящее время врачи скорой помощи могут использовать простые калькуляторы или балльные системы, известные как правила принятия клинических решений, чтобы определить, какие госпитализированные пациенты могут умереть от сепсиса. Однако эти методы часто не позволяют идентифицировать пациентов, подвергающихся наибольшему риску, потому что они основаны на ограниченной информации, полученной из моделей, которые не могут уловить сложность данных, и разработаны с использованием различных групп пациентов.
Новая модель, разработанная исследователями Йельской школы медицины и Вашингтонского университета, использует большой объем данных, собранных в электронных медицинских картах местных пациентов. Этот метод, известный как моделирование случайного леса, использует данные пациентов и учится на них, чтобы делать прогнозы. Их метод больших данных превзошел существующие модели и может правильно классифицировать дополнительно 200-300 пациентов на 5000 с тяжелым сепсисом.
"Используя технику машинного обучения и включив большое количество переменных – более 500, – мы создали модель, которая может лучше прогнозировать смертность от сепсиса у пациентов, госпитализированных в больницу," сказал доктор. р. Эндрю Тейлор, доцент кафедры неотложной медицины и первый автор исследования. Доказав концепцию, Тейлор и его коллеги надеются протестировать модель в режиме реального времени с пациентами в Нью-Хейвене, одновременно продвигая подход с большими данными. "Наша цель – заставить данные пациентов работать на них и создать обучающиеся системы здравоохранения, в которых разрабатываются прогностические модели, которые в конечном итоге применяются для улучшения ухода за пациентами," он сказал.
Исследование, опубликованное в этом месяце в Academic Emergency Medicine.