nature medicine解读:有预警系统（AI模型）和没有预警系统医院的对照研究

背景

败血症是美国住院患者死亡的主要原因，最近的一项研究发现，败血症是近35%的住院患者死亡的直接原因。败血症的早期识别和治疗与改善患者结局有关。本研究实施基于TREWS  (目标实时早期预警系统)机器学习的败血症早期预警系统后对患者结局的前瞻性、多站点研究。研究结局表明，基于机器学习的早期预警系统可能会缩短识别时间，以帮助临床医生尽早识别败血症。

方法

（1）数据源：本研究使用来自部署了TREWS  警报系统的两家学术医院和三家社区医院的  EHR  数据。（具体医院：霍华德县综合医院医院、郊区医院、湾景医疗中心、约翰霍普金斯医院和  Sibley  纪念医院）

（2）纳入标准：本研究纳入了在ED分诊或住院患者入院前最多1小时内触发警报，符合败血症的回顾性定义，在警报后和警报后24小时内首次使用抗生素，并且没有直接入住重症监护病房(ICU)的患者。

（3）研究结局：主要结局是全因住院死亡率，以患者出院时的状态来衡量。次要结局是幸存者在警报时和警报后72小时的SOFA评分与警报后到出院的住院时间之间的差异。SOFA  分数是使用警报后  48  小时至  72  小时之间的最差测量值计算得出的。对于在警报后  72  小时之前死亡或出院的患者，SOFA  评分是基于死亡或出院前  24  小时的最差测量值。

（4）研究设计：为评估提供者对TREWS的反应和患者结局之间的关系，比较两组患者的结局：在警报发出后3小时内由提供者评估和确认警报的患者（研究组）和没有进行警报的患者（比较组）。

（5）高危队列定义：根据二级风险评分来定义。该评分使用警报时或接近警报时的测量值。

（6）统计分析：①对于住院死亡率，使用逻辑回归来估计研究组和比较组之间的  ARD  和  ARR。②使用线性回归来估计平均  SOFA  进展的调整差异，并使用分位数回归来估计中位住院时间的调整差异。③根据  APACHE  II  中使用的阈值，将连续的实验室值和生命体征作为分段线性纳入研究，以解释非线性问题。④对于所有分析，使用异方差稳健估计量来估计标准误差并构建CI。

结局

结局1 研究人群

①主要分析队列的瀑布图（Figure 1）

在研究期间，TREWS  监测了  590,736  名独特的成人患者。其中，6877例患者被纳入了我们的初步分析，2365例患者被纳入了我们对高危患者的分析。

②样本统计数据（Table 1）

Table 1解读：表1显示了所有患者、无警报的败血症患者、在触发警报前接受抗生素治疗的败血症患者以及本研究主要分析队列的汇总统计数据。

结局2 对  TREWS  的反应与患者结局之间的关联

①从警报发生到警报确认的全部时间分布（Figure 2）

Fig.2解读：每个条形图的宽度为1小时，条形图的高度代表了在那个1小时的时间箱中确认了警报的受试者的数量。虚线放置在3小时，这样线左右的横条分别对应于研究臂和比较臂中的受试者。值得注意的是，目标人群中有1840名（27%）患者要么没有输入评估，要么使其警报被提供者驳回，因此没有出现在此图中。

②警报确认与患者结局之间的关联（Table 2）

结论：表2显示了研究组和比较组之间未调整的结果和调整结果的比较。治疗组患者未经调整的死亡率较低(14.6%vs19.2%，P<0.001)，SOFA评分进展改善(−0.8vs−0.4，P<0.001)，幸存者的中位住院时间较低(6.6dvs8.1d，P<0.001)。在对患者的人口统计学特征、病史、实验室测量数据、生命体征、合并症和入院情况进行调整后，提供者及时警报确认与较低的死亡率（调整后的风险差(ARD)−3.34%，1.0，CI−5.10，−1.67%，以及调整后的相对降低(ARR)−18.18%，CI−26.31，−9.65%；P<0.001）、改善的SOFA进展（ARD−0.26；CI−0.42，−0.11；P=0.001）以及幸存者的中位住院时间（ARD−11.58h，CI−18.13，−5.03h；P=0.001）相关。

结局3 与  TREWS  和患者预后相关的抗生素时间

在对患者的人口统计学特征、病史、实验室测量数据、生命体征、合并症和入院情况进行调整后，在目标人群中，与那些在警觉后>3小时接受抗生素治疗的人相比，在警戒后3小时内接受抗生素治疗的患者死亡率较低（ARD  ‑3.54%，CI  ‑5.52，‑1.66%，和  ARR  ‑18.69%，CI  ‑27.03，‑9.36%；P<0.001），SOFA  评分进展（ARD  ‑0.26，CI  ‑0.42，‑0.11；P=0.001）和中位住院时间（ARD  ‑11.58h，CI  ‑18.13,  ‑5.03h;  P  =  0.001）。

结论

研究结局表明，基于机器学习的早期预警系统有可能早期识别败血症患者并改善患者结局，并且可以在发出警报时识别并优先考虑将从早期治疗中受益最大的败血症患者。