自通过使用电子健康记录(EHR)中常规收集的数据，研究人员和医生科学家在新生儿重症监护病房(NICU)人群中测试机器学习模型。研究表明：自动化程序可以在出现临床症状之前快速识别新生儿重症监护病房(NICU)中的哪些患病婴儿患有脓毒症。

相关结果发表在《Plos One》杂志上。

败血症始于细菌侵入血液，它是婴儿死亡率和发病率的全球主要原因。不幸的是，攻击性免疫反应会导致脓毒性发展以及休克的发生，进而导致多个器官衰竭，有时甚至致命。虽然在健康的婴儿中相对罕见，但早产儿或慢性住院婴儿的败血症发生率要高200倍。婴儿败血症的幸存者可能会产生后遗症，如慢性肺病，神经发育障碍等。

由于临床症状模糊以及筛查测试结果不准确，住院婴儿脓毒症的快速诊断通常很困难。另一方面，抗生素的过度使用会带来自身风险并增加抗生素耐药性，因此明确的早期诊断非常重要。

该研究旨在开发一种机器学习模型，能够在临床症状产生前至少四小时识别NICU婴儿的败血症。

机器学习使用计算和统计技术来训练计算模型以从数据中检测模式，然后执行期望的任务。研究小组评估了八种机器学习模型能够分析患者数据以预测哪些婴儿患有败血症。由于数据来自NICU婴儿的回顾性样本，研究人员能够将每个模型的预测与随后的发现进行比较。

从2014年到2017年，研究小组利用CHOP NICU的618名婴儿的EHR数据。患者登记中的许多婴儿早产;该队列的中位孕龄为34周。共同发生的病症包括慢性肺病，先天性心脏病，坏死性小肠结肠炎(严重的肠道感染)和手术条件。

该研究的主要临床研究人员Grundmeier和Harris制定了36个与婴儿败血症相关或怀疑相关的特征清单。这些特征分为生命体征，实验室值，合并症和临床因素，例如婴儿是否在呼吸机上，是从EHR条目中提取的，并提供了机器学习模型的输入数据。 “像我一样的生物医学信息学专家与我们的临床医生同事合作，从EHR数据中选择相关特征，”Masino说。

在临床识别病症之前，八个模型中的六个在准确预测脓毒症方面表现良好。

Masino说，该团队的研究结果是为医院实践开发实时临床工具的第一步。研究人员计划通过进一步的研究来跟进这项研究，以改进他们的模型并在精心设计的前瞻性临床研究中研究软件工具。 “如果研究验证了其中一些模型，我们可能会开发一种工具来支持临床决策并改善重症患儿的预后，”他补充说。