评估机器学习以识别SIRS患者的菌血症

维也纳医科大学的一组研究人员最近评估了机器学习策略的有效性，以确定受全身炎症反应综合征(SIRS)影响的患者的菌血症。他们在科学报告中发表的研究收集了令人沮丧的结果，因为机器学习方法无法达到比当前诊断技术更高的准确性。

菌血症是一种常见的医学病症，其特征在于血液中存在细菌，死亡率在13%至21%之间。过去的研究表明，许多因素与发生这种疾病的风险有关，包括高龄，尿或留置血管导管，化疗和免疫抑制治疗。

早期诊断菌血症对受影响患者的生存至关重要，因为他们需要使用适当的抗生素进行及时治疗。目前，血培养(BC)分析是诊断病情的主要方法。然而，这种方法远非理想，因为通常很难确定谁应该接受BC分析，结果需要大约三天才能处理，并且它可能导致大约8%的误报。

因此，研究人员正在尝试识别能够更好地识别具有高菌血症风险的患者的生物标记物或预测工具。到目前为止，已发现降钙素原(PCT)是检测病情的最佳生物标志物，汇总敏感性为76%，汇总特异性为69%。

在他们的研究中，研究人员调查机器学习策略是否可以提高PCT在诊断菌血症方面的诊断性能，特别是对于不需要BC分析的两种或更多SIRS症状的患者。他们收集了符合标准的466名患者的数据，并使用29个参数小组的临床数据，细胞因子表达水平和标准实验室标记来训练他们的预测模型。

“我们研究的主要目的是显示患者血液中表现出炎症反应后是否存在细菌，可以通过实验室参数和机器学习在早期预测并且比现在更好，”Georg Dorffner，其中一个进行这项研究的研究人员告诉Tech Xplore。“为此，我们与来自大学诊所(AKH维也纳)的患者进行了一项大型研究，以收集必要的数据。”

Doffner和他的同事使用了一些在机器学习领域流行的预测模型，评估了它们各自的有效性。他们特别关注两个模型，一个使用神经网络，另一个称为随机森林。

“我们使用的模型之一被称为'神经网络'，并找到了实验室值的良好组合，例如也可以进行非线性(即非比例)预测，”Dorffner解释说。“另一个 - 实际上表现最好的一个 - 被称为'随机森林'，由大量所谓的决策树组成，每棵树都试图做出一系列逐步决策，每个决策都基于一个实验室价值，什么是最好的预测。这些树然后像委员会一样工作(因此，名称'森林')。“

在他们的研究中，随机森林策略在预测菌血症方面取得了最好的结果。然而，它实现了与生物标志物PCT相同的诊断准确度，表明流行的机器学习技术不能比当前采用的方法更好地预测病症。

“我们最有意义的发现是，一组几个实验室值不能导致比其他人正在使用的一个值更好的预测，即血液中降钙素原的水平，”Dorffner解释说。“因此，在这种情况下，机器学习并没有真正帮助推进临床常规。这仍然是一项值得努力的事情，因为我们的研究结果告诉其他研究人员，这个问题显然不可预测，从而使他们无法在这个方向上进一步开展工作。”

虽然Dorffner及其同事收集的结果有些令人失望，但它们为未来的研究提供了宝贵的见解，概述了使用机器学习识别SIRS 患者的菌血症的困难。

“我们现在专注于其他临床应用，其中机器学习可能更有希望推进预测或诊断，”Dorffner说。“例如，我们与心脏病专家一起开发了一种基于MR图像的学习系统，用于检测心脏淀粉样变性的罕见但重要的疾病。”