Научная статья

Влияние алгоритма прогнозирования тяжелого сепсиса на основе машинного обучения на выживаемость пациентов и продолжительность пребывания в стационаре: рандомизированное клиническое исследование

Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial

BMJ Open Respiratory Research
10.1136/bmjresp-2017-000234
Полный текст Открыть в журнале PubMed PMC
FWCI: 18.2FWCI — Field-Weighted Citation Impact (индекс цитируемости с поправкой на область науки). 1.0 = среднее, > 1 = выше среднего · Процитировано: 329 · Ссылки: 34 · Лицензия: Неизвестна
Цитирование по годам: 2026: 27 · 2025: 38 · 2024: 67 · 2023: 47 · 2022: 50

Аннотация

Введение: Разработано несколько методов электронного мониторинга пациентов для выявления тяжелого сепсиса, однако лишь немногие из них обладают прогностическими возможностями, позволяющими своевременно начать лечение. Кроме того, ранее ни одна система прогнозирования тяжелого сепсиса не проходила валидацию в рандомизированном исследовании. Мы оценили, способствует ли использование системы прогнозирования тяжелого сепсиса на основе машинного обучения сокращению средней продолжительности пребывания в стационаре и госпитальной летальности.

Методы: Рандомизированное контролируемое клиническое исследование проводили в двух отделениях реанимации и интенсивной терапии терапевтического и хирургического профиля Медицинского центра Калифорнийского университета в Сан-Франциско. Оценивали первичную конечную точку — среднюю продолжительность пребывания в стационаре — и вторичную конечную точку — госпитальную летальность. Исследование проходило с декабря 2016 года по февраль 2017 года. В это факториальное открытое исследование включали взрослых пациентов в возрасте 18 лет и старше, госпитализированных в участвующие отделения. Включенных пациентов распределяли по группам с помощью последовательности случайной рандомизации. В контрольной группе использовали только действующий детектор тяжелого сепсиса, а в экспериментальной дополнительно применяли алгоритм машинного обучения (MLA). После получения оповещения лечащая команда оценивала состояние пациента и при наличии показаний начинала комплекс мероприятий при тяжелом сепсисе. Несмотря на рандомизацию, для пациентов, получивших оповещение MLA, распределение по группам автоматически раскрывалось.

Результаты: Проанализированы исходы у 75 пациентов контрольной группы и 67 пациентов экспериментальной группы. Средняя продолжительность пребывания в стационаре снизилась с 13,0 дня в контрольной группе до 10,3 дня в экспериментальной группе (p=0,042). При использовании MLA госпитальная летальность снизилась на 12,4 процентного пункта (p=0,018), что соответствовало относительному снижению на 58,0%. Нежелательных явлений во время исследования не зарегистрировано.

Выводы: Использование MLA было связано с улучшением исходов лечения. Это первое рандомизированное контролируемое исследование системы мониторинга сепсиса, продемонстрировавшее статистически значимые различия по продолжительности пребывания в стационаре и госпитальной летальности.

Регистрация исследования: NCT03015454.

Переведем эту статью за 1 час

Загрузите PDF, а мы сделаем полный перевод, краткий конспект и красивую инфографику.

Попробовать бесплатно →

Также в Подтеме: еженедельные литобзоры, база международных клинреков и конспекты свежих мед. статей и подкастов каждый день.