用于脓毒症早期预测的可改善结果

根据 1 月 23 日在《npj Digital Medicine》在线发表的一项研究，部署 COMPOSER 来早期预测脓毒症与包括死亡率在内的结果的显着改善相关 。

加州大学圣地亚哥分校 (UCSD) 的 Aaron Boussina 及其同事评估了深度学习模型 (COMPOSER) 对败血症早期预测对患者预后的影响。该分析包括在两个急诊科进行的前后准实验研究设计，从 2021 年 1 月 1 日到 2023 年 4 月 30 日期间，共收治了 6,217 名成年脓毒症患者。

研究人员发现，COMPOSER 的部署与院内脓毒症死亡率绝对降低 1.9%(相对降低 17%)显着相关。此外，在因果推断分析中，脓毒症发作后，脓毒症束依从性绝对增加了 5.0%(相对增加 10%)，72 小时连续器官衰竭评估评分变化减少了 4%。

“我们的 COMPOSER 模型使用实时数据，以便在出现明显的临床表现之前预测脓毒症，”共同作者、加州大学圣地亚哥分校的医学博士加布里埃尔·沃迪 (Gabriel Wardi) 在一份声明中说。“它在幕后默默、安全地工作，持续监测每一位患者是否有可能败血症的迹象。”

几位作者是 Healcisio Inc. 的联合创始人，Healcisio Inc. 是一家位于 UCSD 的初创公司，专注于先进分析决策支持工具的商业化。