文献学习—广泛使用的脓毒症预测模型的预测效果不佳

关键点

问题   Epic 脓毒症模型 (ESM) 是一种专有的脓毒症预测模型，已在数百家美国医院实施。尽管广泛使用 ESM 来识别脓毒症患者，但该模型尚未得到充分评估。本文要评估Epic 脓毒症模型预测脓毒症发作的准确度如何？

结果  在这项对 27 697 名接受 38 455 次住院治疗的患者进行的队列研究中，7% 的住院患者发生了败血症。Epic 脓毒症模型预测脓毒症的发生，曲线下面积为 0.63，远低于其开发人员报告的性能。

意义 这项研究表明，Epic 脓毒症模型对脓毒症的预测效果不佳；尽管表现不佳，但它的广泛采用引起了对国家层面脓毒症管理的根本担忧。

潜在临床益处和报警疲劳的评估

在 2552 例因脓毒症住院的患者中，183 例 (7%) 的 ESM 评分为 6 分或更高，但患者没有及时接受抗生素治疗（即在脓毒症之前或之后 3 小时内）。ESM 未确定 1709 名败血症患者 (67%)，其中 1030 名 (60%) 仍及时接受抗生素治疗。

即使不考虑重复警报，也有 18% 的住院患者（38455 人中有 6971 人）的 ESM 评分为 6 分或更高。如果 ESM 仅在评分阈值首次超过 6 时为每位患者生成一次警报（一种将警报降至最低的策略），那么临床医生仍需要评估 15 名患者以识别最终患有败血症的单个患者。如果临床医生愿意在每次 ESM 评分超过 6 时重新评估患者以发现在接下来的 4 小时内发生败血症的患者，他们将需要评估 109 名患者才能找到单个败血症患者。

在这项外部验证研究中，我们发现 ESM 在预测住院患者的败血症发生方面具有较差的辨别力和校准能力。当用于以 6 或更高的评分阈值（在 Epic 的推荐范围内）进行警报时，它仅识别出 7% 被临床医生遗漏的败血症患者（基于及时使用抗生素），与当代临床实际相比，突出了 ESM 的低敏感性。尽管对 18% 的住院患者发出警报，但 ESM 也没能识别出 67% 的败血症患者，从而造成了警报疲劳的巨大负担。

预测的分布显示在底部。NPV 表示阴性预测值；PPV，阳性预测值。在 PPV 图中，蓝色阴影区域是指分类为阳性的患者百分比。在 NPV 图中，蓝色阴影区域是指归类为阴性的患者百分比。

A、所有警报。B、结果出现之前 24 小时内的警报。第一个警报以橙色突出显示。每个点代表一个假设的警报；没有生成实际警报。此处显示了 40 名随机选择的患有败血症并达到 6 的警报阈值的患者。