文献速递重症综合管理与镇静镇痛复苏、休克与脓毒症

从临床数据早期预测脓毒症:2019年PhysioNet/Computing in Cardiology挑战赛

Early Prediction of Sepsis From Clinical Data: The PhysioNet/Computing in Cardiology Challenge 2019.
PubMed 文献 · Crit Care Med · 2020-01-01
一句话结论多中心挑战赛显示:不同计算算法可在临床识别脓毒症前数小时预测其发生,但跨医院系统泛化仍具挑战。

该挑战赛基于三个美国医院系统的超过6万例ICU患者数据,提供每小时的40个临床变量,采用Sepsis-3标准定义脓毒症发生时间,要求参赛算法在脓毒症发生前至少6小时且不超过12小时做出二分类预测。共有104个团队提交853个算法,88个团队430个条目可评分;算法在提供训练数据的两个医院系统中表现较好,但在未提供训练数据的第三家医院系统中表现差。传统AUROC与基于临床效用的评分相关性在未训练医院系统差(ρ=0.054),提示传统指标不能完全反映临床效用。结论认为多种计算方法可在临床识别前数小时预测脓毒症,但跨医院系统泛化仍是挑战。

要点

  • 挑战赛要求算法在脓毒症发生前至少6小时但不超过12小时做出预测,采用Sepsis-3标准定义脓毒症发生时间。
  • 共有104个团队提交853个条目,88个团队430个条目可评分;算法在提供训练数据的两个医院系统中表现较好,在未提供训练数据的第三家医院系统中表现差。
  • 基于临床效用的评分与AUROC在未训练医院系统C上相关性差(Spearman ρ=0.054),在训练医院系统A和B上正相关(ρ=0.791和ρ=0.839)。
  • 临床效用评分在训练医院系统A和B之间强相关(ρ=0.949),但与未训练医院系统C相关性差(ρ=–0.033和ρ=0.013)。
  • 结论认为多种计算方法可在临床识别前数小时预测脓毒症,但跨医院系统泛化仍是挑战。

适用人群与场景

  • 三个美国医院系统(Beth Israel Deaconess Medical Center为医院系统A,Emory University Hospital为医院系统B,第三个未具名医院系统为医院系统C)的ICU患者,共超过60,000例,每例每小时最多40个临床变量。
  • 排除ICU内小时时间窗少于8个的患者,以及脓毒症发生时间(tsepsis)在ICU入科后不足4小时的患者;患者记录在ICU出科后截断,超过2周的小时时间窗截断至2周。

诊断标准与关键阈值

  • 脓毒症发生时间tsepsis定义为临床怀疑感染时间(tsuspicion)与器官衰竭时间(tSOFA)中较早者,前提是tSOFA不早于tsuspicion前24小时且不晚于tsuspicion后12小时。
  • tsuspicion:静脉抗生素与血培养中较早的时间戳;若先给静脉抗生素,则血培养须在24小时内获取;若先取血培养,则静脉抗生素须在72小时内开具;无论哪种情况,静脉抗生素须连续使用至少72小时。
  • tSOFA:24小时内序贯器官衰竭评估(SOFA)评分增加2分。

研究设计与关键结果

  • 研究类型为国际挑战赛(PhysioNet/Computing in Cardiology Challenge 2019),数据来自三个美国医院系统,公开两个系统共40,336例患者数据,隐藏三个系统共24,819例患者数据用于评分。
  • 共104个团队提交853个条目,88个团队430个条目可评分;算法在提供训练数据的医院系统A和B上表现较好,在未提供训练数据的医院系统C上表现较差。
  • AUROC与临床效用评分在测试集A和B上正相关(Spearman ρ=0.791和ρ=0.839),在测试集C上相关性差(ρ=0.054)。
  • 临床效用评分在医院系统A和B之间强相关(ρ=0.949),但与医院系统C相关性差(ρ=–0.033和ρ=0.013)。
  • AUROC在不同医院系统间强相关(A与B ρ=0.973,A与C ρ=0.938,B与C ρ=0.947),但临床效用评分并非如此。

证据类型、等级与局限

  • 证据类型:国际挑战赛(PhysioNet/Computing in Cardiology Challenge 2019),基于三个美国医院系统的ICU临床数据。
  • 局限:原文未报告局限性。

对床旁实践的改变

  • 作者认为,基于临床效用的评分指标应被考虑在临床 care 中更广泛采用,因为它不受F-measures(及相关指标如准确率、敏感度、阳性预测值)或标准AUC指标(如AUROC和精确召回曲线下面积)的许多问题影响。
  • 作者认为,算法在一个医院系统中表现良好,在另一个医院系统中可能表现差。
  • 原文未据此给出推荐。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译9 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Crit Care Med. 2020 Jan 15;48(2):210–7. doi: 10.1097/CCM.0000000000004145

脓毒症是一种危及生命的疾病,当机体对感染的反应导致组织损伤、器官衰竭或死亡时发生(1–3)。在美国,每年近170万人发生脓毒症,27万人死于脓毒症;美国医院死亡人数中超过三分之一患有脓毒症(4)。全球范围内,估计每年有3000万人发生脓毒症,600万人死于脓毒症(5)。美国医院管理脓毒症的费用超过任何其他健康状况,每年达240亿美元(占美国医疗保健支出的13%);这些费用大部分用于在住院期间发生脓毒症的患者(6)。发展中国家在脓毒症管理方面面临额外费用和更高的不良结局风险。总之,脓毒症是一个重大公共卫生问题,造成显著的发病率、死亡率和医疗保健支出(7–10)。

脓毒症的可靠早期识别常常因其综合征性质而变得复杂,这可能导致治疗延迟。最近两项研究强调了脓毒症早期识别和治疗的重要性,这些研究表明接受抗生素治疗延迟的脓毒症患者调整后死亡率增加(11, 12)。这种效应在脓毒性休克患者中更为显著,每小时延迟与死亡率每小时增加3.6–9.9%相关(13)。专业重症监护学会已提出识别和治疗脓毒症的临床标准(1–3);然而,早期可靠识别脓毒症的基本需求仍未得到满足(14)。

PhysioNet/计算心脏病学挑战赛是一项国际竞赛,专注于复杂生理信号处理和医学分类问题的开源解决方案(15)。2019年,即该挑战赛的第20年,我们要求参与者开发从临床数据中早期检测脓毒症的自动化技术。

计算方法有望改善脓毒症的早期检测。此类方法通常将机器学习技术应用于临床数据(例如,见参考文献[16–18]),目标是在临床识别脓毒症之前最多一天做出实时预测。然而,由于多种原因,算法方法的相对优势和劣势尚不清楚。2019年PhysioNet/计算心脏病学挑战赛为探索检测脓毒症的计算方法的局限性提供了机会。

首先,脓毒症早期检测算法经常处理细微不同的问题,并且它们往往在不同的患者队列中开发和测试,这些队列具有不同的临床变量和来自不同脓毒症临床标准的标签。对于该挑战赛,我们使用相同的临床变量和脓毒症标准提供了一个共同的问题陈述。我们共享了来自两个独立医院系统的数据,并封存了来自第三个医院系统的数据。在共享数据库上过拟合的算法通常在隐藏数据库上表现不佳,特别是如果它们编码了特定于给定医院系统的数据收集行为。此外,我们仅在完整隐藏数据集上运行算法一次,以防止在隐藏数据上进行顺序训练,并且我们比较算法以识别试图规避规则并比其他团队拥有更多“咬樱桃”机会的团队。

其次,不同研究往往采用不同的评价指标,而这些指标不一定能反映脓毒症检测与治疗的临床效用。传统的评分指标,如曲线下面积(AUC)指标,并不会明确奖励早期检测,也不会惩罚误报或过度治疗。为本次挑战赛,我们设计了一种新的评价指标,以解决这些问题,并且可普遍适用于预测时间序列数据中的罕见事件。

第三,此类算法的复杂性几乎不可能在一篇研究论文中得到充分描述。为本次挑战赛,我们鼓励并促进算法的开源,以确保提供细微的实现细节并保证可复现性。

方法

挑战赛目标

本次挑战赛的目标是开发使用常规可获得的临床数据对脓毒症进行早期预测的算法。脓毒症的早期预测可能挽救生命,而延迟或遗漏预测则可能危及生命,误报还会消耗医院资源并削弱对算法本身的信任(19)。

为本次挑战赛,我们要求参与者设计并实现可用的开源算法,这些算法仅基于所提供的临床数据,即可自动识别患者的脓毒症风险,并针对患者临床记录中的每个小时时间窗对脓毒症做出阳性或阴性预测。特别是,我们要求参与者根据Sepsis-3临床标准(1–3),在脓毒症发病时间之前至少6小时(但不超过12小时)预测脓毒症。为评估每种算法,我们设计了一种新的基于临床效用的评分指标,该指标奖励早期脓毒症预测的算法,并惩罚晚期和遗漏的脓毒症预测以及误报。本次挑战赛的获胜者是其在三个医院系统的隐藏测试集中对患者给出最高临床效用评分预测的算法所属团队。

我们向拥有获胜算法的团队颁发了奖项。尽管我们允许非商业和商业实体参赛,但只有开源参赛作品有资格获奖。所有代码均要求提交,以确保方法可复现,并且因为没有团队能够访问隐藏数据。这允许将获胜团队与商业实体进行比较,并增加了竞争格局。

挑战赛数据

我们从三个地理上不同的美国医院系统获取了本次挑战赛的数据,这些系统使用三种不同的电子病历(EMR)系统:贝斯以色列女执事医疗中心(医院系统A)、埃默里大学医院(医院系统B)以及第三个未具名的医院系统(医院系统C)。这些数据是在过去十年中经相应机构审查委员会批准后收集的。我们使用Sepsis-3临床标准(1–3)对数据进行了去标识化和标注。来自医院系统A和B的40,336名患者的数据和标签已公开发布供下载,而来医院系统A、B和C的24,819名患者的数据和标签被隔离作为隐藏测试集。

挑战赛数据由每小时生命体征摘要、实验室检验值和静态患者描述组合而成。具体而言,数据包含40个临床变量:8个生命体征变量、26个实验室变量和6个人口学变量;表1描述了这些变量。总体而言,这些数据包括超过250万个每小时时间窗和1500万个数据点。

从电子病历(EMR)中提取的数据在正式分析和模型开发之前经过了一系列预处理步骤。所有患者特征被压缩为每小时的时间箱,以简化模型开发和测试;例如,某一小时时间窗内的多次心率测量值被汇总为中位心率测量值。描述同一临床参数的多个逻辑观察标识符名称和代码(LOINC)被合并为单一变量;例如,血清血红蛋白和动脉血红蛋白合并为血红蛋白。

我们根据Sepsis-3临床标准对患者数据进行标注(1–3)。对于每例脓毒症患者,我们指定以下三个时间点来定义脓毒症发病时间tsepsis:

tsuspicion:临床怀疑感染,确定为在给定时间间隔内静脉注射抗生素和血培养中较早的时间戳。如果先给予静脉注射抗生素,则培养必须在24小时内获取。如果先获取培养,则静脉注射抗生素必须在72小时内开具医嘱。无论哪种情况,静脉注射抗生素必须连续给药至少72小时。

tSOFA:器官衰竭的发生,由24小时内序贯器官衰竭评估(SOFA)评分增加两分确定。

tsepsis:脓毒症发病,确定为tsuspicion和tSOFA中较早者,只要tSOFA发生在tsuspicion之前不超过24小时或之后不超过12小时。

缺失和错误数据被有意保留作为挑战赛的一部分。然而,ICU中数据每小时时间窗少于8个的患者未被纳入,ICU入住后tsepsis少于4小时的患者未被纳入。患者记录在ICU出院后被截断,每小时时间窗超过2周的患者被截断至2周。

补充表1(补充数字内容1,http://links.lww.com/CCM/F206)总结了两个共享医院数据库的数据集。图1显示了每份患者记录中每个生命体征和实验室检验值的条目密度(即非空每小时测量值的比例);在大多数患者记录中,大多数生命体征按每小时更新,大多数实验室检验值按每日更新。补充图1(补充数字内容2,http://links.lww.com/CCM/F207)显示了这些条目在患者记录中的分布。补充图2(补充数字内容3,http://links.lww.com/CCM/F208)使用Jensen-Shannon散度量化了医院系统之间生命体征和实验室检验值分布的差异。请注意,大多数临床变量在不同医院系统之间具有相似的分布。

表1. 特征汇总 查看原表 ↗
图1. 医院系统A、B和C的共享数据集和隐藏数据集中生命体征(第1-8行)和实验室检验值(第9-34行)条目的密度(非空条目的比例)。 查看原图 ↗

挑战赛评分

我们使用为本次挑战赛创建的一种新型评估指标对每种算法的预测进行评分。为更好地反映脓毒症检测与治疗的临床效用,该指标对脓毒症患者的早期脓毒症预测给予奖励,并对脓毒症患者的延迟或遗漏脓毒症预测以及非脓毒症患者的脓毒症预测进行惩罚。

每种算法对每份患者记录中的每个小时时间窗做出二元脓毒症预测。为评估每种算法,我们首先为每个预测定义一个评分,然后将这些评分在所有小时时间窗和所有患者记录上汇总。

给定某种算法对患者记录 s 中小时时间窗 t 的预测,我们定义一个评分

其中 UTP(s, t)、UFP(s, t)、UFN(s, t) 和 UTN(s, t) 在图2A中以一例脓毒症患者为例、在图2B中以一例非脓毒症患者为例进行了说明。选择这些评分是为了反映脓毒症检测与治疗的广泛临床现实,而[1]和图2中的实际效用值和时间点可根据任何特定医院系统的具体偏好或权衡进行选择。

对于在ICU住院期间发生脓毒症的患者,早期脓毒症检测往往有益。因此,对脓毒症患者在脓毒症发病时间 tsepsis 前至少12小时且后至多3小时内的脓毒症预测给予奖励,并在 tsepsis 前6小时给予最大奖励;而在 tsepsis 前超过12小时的脓毒症预测则受到轻微惩罚。同样,对于在ICU住院期间发生脓毒症的患者,过早的预测可能不合理或无帮助,而延迟或遗漏的脓毒症预测通常有害。因此,对脓毒症患者在 tsepsis 前超过12小时的脓毒症预测给予轻微惩罚,而对 tsepsis 前不足6小时的非脓毒症预测给予逐渐加重的惩罚。

对于在ICU住院期间未发生脓毒症的患者,脓毒症预测会导致警报疲劳和算法置信度下降、抗生素过度使用以及医院注意力和资源的整体分配不佳。因此,对非脓毒症患者的脓毒症预测给予轻微惩罚。同样,对非脓毒症患者的非脓毒症预测既不奖励也不惩罚。

给定某种算法对每份患者记录 s 中所有小时时间窗 T(s) 的预测,我们将某种算法的总评分定义为求和

对所有预测求和。为便于解释,我们对[2]进行归一化,使具有最高可能评分的最优算法获得归一化评分1,而仅做出非脓毒症预测的完全无活性算法获得归一化评分0,即

每种算法从[3]获得一个评分,在来自医院系统A、B和C的完整隔离数据集上[3]值最高的算法赢得了本次挑战赛。

图2. 脓毒症患者和非脓毒症患者阳性和阴性预测效用示意图;以脓毒症发病时间 tsepsis = 48 为例。 查看原图 ↗

挑战赛提交

挑战赛参与者在隔离数据上提交其算法以供评估。该策略鼓励可重复性,并使参与者能够在真实世界数据集上验证其算法。

在2019年2月8日至2019年4月14日的挑战赛非正式阶段,每支队伍总共允许提交五个计分条目。此阶段允许对提交系统、规则和评分机制进行测试版测试和推广,并且队伍须在非正式阶段至少提交一个条目以获得挑战赛资格。随后,在2019年4月25日至2019年8月25日的挑战赛正式阶段,每支符合条件的队伍总共允许提交10个计分条目。此阶段允许队伍提交其模型以在来自医院系统A的测试数据进行评估;对完整隐藏测试数据的评分仅在正式阶段结束后、挑战赛结束时进行。此限制也提高了挑战赛的可管理性。由于我们未严格限制队伍可使用的语言和库,许多队伍的技术支持需求较高。

提交系统依赖于在谷歌云平台上作为流水线编排的容器;补充图3(补充数字内容4,http://links.lww.com/CCM/F209)展示了该系统。容器是一种标准软件单元,将代码及其依赖项打包,以便应用程序在不同计算环境中轻松可靠地运行。对于挑战赛,我们使用了Docker容器化环境。参与者将其条目打包并上传至GitHub仓库(Microsoft,旧金山,加利福尼亚州),该仓库与挑战赛组织者私下共享。对于每次提交,提交系统克隆该仓库,创建一个由条目和我们的评分函数组成的流水线,并在谷歌云上启动该流水线。该系统允许我们并行评分多个条目。在挑战赛的非正式和正式阶段,我们处理了来自一百多名参与者的超过一千份提交,使用Julia(https://julialang.org)、MATLAB(MathWorks,纳蒂克,马萨诸塞州)、Python(https://www.python.org)和R(R统计计算基金会,维也纳,奥地利;https://www.r-project.org)。

每个条目在具有两个中央处理单元和12 GB随机存取存储器的虚拟机上运行,每个条目在每个隐藏测试集上允许24小时的运行时间。提交系统编排器Cromwell(麻省理工学院和哈佛大学Eli和Edythe L. Broad研究所,剑桥,马萨诸塞州)通常请求谷歌云上的n2-highmem-2机器类型。

评估指标和基线模型的实现

为提供基线模型,我们训练了一个Weibull-Cox回归模型,并提供了该模型在Julia、MATLAB、Python和R中的开源实现。这些实现也作为示例,说明如何在挑战赛接受的每种语言中设计一个可工作的预测算法。我们还提供了基于临床效用的评分函数的开源实现。代码可在https://github.com/physionetchallenges在线获取。

条目独立性、串通和抄袭分析

每次挑战赛结束后,我们经常从最终条目中构建一个元算法,按其独立性加权;高度相似算法之间的一致性可能提示预测的虚假共识。因此,为提高算法的独立性,我们禁止队伍在挑战赛的任何阶段进行合作。具体而言,我们注意到以下内容:

允许来自单一实体(如公司、大学或部门)的多个团队参赛,前提是这些团队真正独立,且在任何时候都不共享团队成员、代码或想法。同一研究组或公司内同一单位的多个团队不被允许,因为我们认为当团队成员可能频繁互动时,团队之间无法保持真正的独立性。

新团队成员可以加入,前提是他们此前未参与过其他团队,也未就本年度挑战赛与其他团队的成员进行过交流。

如果公共代码在比赛前已发布,团队可以使用。比赛期间,团队成员不得公开发布代码,也不得使用其他参赛者在比赛期间发布的代码,无论该代码是否被有意公开。

比赛期间,团队成员不得在任何时候公开发布描述其方法的信息,也不得在本研究组之外做报告透露其在挑战赛中已采用或计划采用的方法。团队成员可以就其他数据展示或发表方法,前提是在比赛结束前不表明计划将其应用于挑战赛数据。

团队成员在比赛全程须使用相同的团队名称和电子邮件地址,包括向公共论坛提交摘要为其工作辩护时,即在计算心脏病学(Computing in Cardiology)会议上。

尽管挑战赛规则严格禁止团队在正式阶段提交超过10个计分条目,但来自明显不同团队的若干条目获得了完全相同的分数。对其提交内容的调查显示这些团队之间存在高度相似性,而在被质询时,这些团队要么未回复,要么声称未串通。通过检查电子邮件地址、团队名称和GitHub仓库之间的关联,我们识别出了若干被禁止的协作。补充图4(补充数字内容5,http://links.lww.com/CCM/F210)展示了挑战赛提交中电子邮件地址、团队名称和GitHub用户之间的关联,其中每个团队预期仅有一个电子邮件地址、团队名称和GitHub用户。部分关联涉及多个电子邮件地址、团队名称和/或GitHub用户,表明存在被禁止的协作,并导致了取消资格。

结果

来自学术界和工业界的共104个团队在挑战赛正式阶段共提交了853个条目;其中,88个不同团队共430个条目能够被计分。请注意,每个团队获得了医院系统A和B的训练数据和标签,但未获得医院系统C的。每个成功条目在挑战赛非正式阶段和正式阶段均获得了医院系统A测试数据的评分,每个团队提名其最喜欢的成功条目,用于在包含医院系统A、B和C患者记录的完整测试数据上进行评估。表2总结了拥有最高分条目的团队。

通过整理来自多个医院系统的临床数据,并共享来自这些系统的不同数量的数据和信息,我们证明,与未提供训练数据的第三个医院系统相比,算法在提供了训练数据的两个医院系统中通常表现要好得多。

尽管一个评价指标下表现良好的算法可能被期望在另一个指标下也表现良好,但我们发现,对于传统评价指标和我们为挑战赛设计的临床效用评分而言,情况通常并非如此。图3A比较了每个算法在来自各医院系统测试集上的受试者工作特征曲线下面积(AUROC)与其效用评分。在测试集A和B上,AUROC与效用评分呈正相关(Spearman秩相关系数分别为ρ = 0.791和ρ = 0.839)。在测试集C上,这些评分相关性较差(Spearman秩相关系数ρ = 0.054),该测试集对应于参与者未获得训练数据的医院系统。此外,即使在测试集A和B上,具有高效用评分的算法也不一定具有高AUROC评分,这表明传统评价指标不一定能反映预测的临床效用。

此外,评价指标的选择影响了算法在不同医院系统间表现出的可迁移性。图3 B–D比较了每个算法在不同医院系统测试集上的AUROC或效用评分。尽管每对医院系统的AUROC评分均强相关(医院系统A和B的Spearman秩相关系数ρ = 0.973,医院系统A和C的ρ = 0.938,医院系统B和C的ρ = 0.947),但效用评分并非如此。效用评分在我们提供了训练数据的两个医院系统之间强相关(测试集A和B的Spearman秩相关系数ρ = 0.949),但与未提供训练数据的第三个医院系统的相关性较差(医院系统A和B分别与医院系统C的Spearman秩相关系数ρ = –0.033和ρ = 0.013)。图3E进一步表明,在共享训练数据库的医院系统数据上得分最高的方法,不一定是在来自另一独立医院系统的隐藏数据库上得分最高的方法。

我们使用来自多个医院系统的临床数据,并应用基于临床效用的评价指标,与在单一系统上使用传统评价指标所呈现的结果相比,提供了对预测可泛化性更为细致的认识。

表2. 最高临床效用评分 查看原表 ↗
图3. 各算法在医院系统A、B和C的测试数据上的AUROC和效用评分比较,其中我们共享了医院系统A和B的训练数据,但未共享医院系统C的训练数据。A,各算法在测试集A、B和C上的受试者工作特征曲线下面积(AUROC)和效用评分比较。B,各算法在测试集A和B上的AUROC和效用评分比较。C,各算法在测试集A和C上的AUROC和效用评分比较。D,各算法在测试集B和C上的AUROC和效用评分比较。E,最终算法在测试集A、B和C上的排名表现。红色表示在全部三个数据库中的总体排名较高,蓝色表示总体排名较低。从上到下的线条表示在考虑每个数据库上的表现时,各个算法排名的变化情况。在测试集A和B上表现良好的算法在测试集C上通常表现相对较差。 查看原图 ↗

讨论

PhysioNet/Computing in Cardiology Challenge 2019要求参与者开发自动化、开源的算法,用于从临床数据中早期检测脓毒症。我们汇集了来自三个医院系统的超过60,000份患者记录,其中两个数据库公开共享,一个保持隐藏。通过公开两个数据库,我们为参与者提供了创建不会过拟合于单一医疗中心的训练方法的机会。第三个隐藏数据库为参与者完成这一关键任务的效果提供了有力指示。

我们还提出并使用了一种新的评估指标,该指标捕捉早期脓毒症检测的临床效用,并按每个预测的相对“提前”或“延迟”程度进行加权。

我们建议该指标应考虑在临床护理中更广泛地采用,因为它不受F度量(及相关指标如准确率、灵敏度和阳性预测值)或标准AUC指标(如AUROC和精确率-召回率曲线下面积)的许多问题的影响,这些指标分别假设一次性决策或无决策阈值。特别是,这一新的评估指标表明,在一个医院系统中表现良好的算法在另一个医院系统中可能表现不佳。

本挑战赛的第三个创新点是开发了图形化和分析方法来测量据称独立的挑战赛团队之间参赛作品的相似性。我们识别并取消了看起来彼此高度相关且未能对这些关系提供满意解释的团队的资格。

我们收到了来自学术界和工业界104名参与者的853份参赛作品,提供了早期脓毒症检测算法方法的多样化视角。综合来看,这些工作为算法如何提供早期脓毒症预测提供了更完整的图景。随后对提交至挑战赛的表现最佳和最有趣的算法的分析将结合不同方法的优势,推动自动化早期脓毒症预测方法的边界。

补充材料

参考来源

  1. Reyna MA, Josef CS, Jeter R, et al. Early Prediction of Sepsis From Clinical Data: The PhysioNet/Computing in Cardiology Challenge 2019. Crit Care Med. 2020. PMID: 31939789. doi:10.1097/CCM.0000000000004145
  2. 全文:PMC6964870(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6964870/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。