《Scientific Reports》：Comparison of different AI systems for diagnosing sepsis, septic shock, and cardiogenic shock: a retrospective study
編輯推薦：
膿毒癥、感染性休克和心源性休克死亡率高且鑒別困難。研究人員利用 MIMIC-III 數據庫和 AI 技術，開展不同 AI 系統診斷這三種病癥的研究。結果顯示 BNCs 診斷性能佳且可解釋。該研究為臨床診斷提供新方向1910。
在醫學領域，膿毒癥、感染性休克和心源性休克是極為兇險的病癥，它們如同隱藏在黑暗中的殺手，悄無聲息地威脅著患者的生命。這些病癥不僅死亡率高，而且由于癥狀存在重疊，醫生在診斷時常常如同在迷霧中摸索，難以快速且準確地區分。傳統診斷方法在面對這些復雜病癥時，往往力不從心，誤診、漏診的情況時有發生，這無疑進一步加劇了患者的病情風險。因此，尋找一種更精準、高效的診斷方法迫在眉睫。
在這樣的背景下，來自德國的研究人員挺身而出，開展了一項極具意義的研究。他們以《Comparison of different AI systems for diagnosing sepsis, septic shock, and cardiogenic shock: a retrospective study》為題，在《Scientific Reports》上發表了相關成果。研究人員借助 Medical Information Mart for Intensive Care（MIMIC）-III 數據庫和人工智能（AI）技術，聚焦于貝葉斯網絡分類器（BNCs），并將其與其他 AI 方法進行對比，致力于提升對膿毒癥、感染性休克和心源性休克的診斷精度12。
為了實現這一目標，研究人員采用了多種關鍵技術方法。首先，他們從 MIMIC-III 數據庫中篩選數據，依據國際疾病分類第 9 版（ICD-9）診斷表及相關指南，確定膿毒癥、感染性休克和心源性休克患者。接著進行數據處理，提取 Elixhauser 等合并癥指數并納入變量，同時構建多種預測變量。然后，運用三步特征選擇法，從 51 個變量中篩選出 12 個用于構建模型。最后，訓練并評估多種分類器，包括 BNCs、樸素貝葉斯（NB）、One Rule 分類器（OneR）、分類和回歸樹（CART）以及前饋反向傳播人工神經網絡（ANN），使用十折交叉驗證等評估指標345。
研究結果令人振奮。在不同 BNCs 的比較中，樹增強樸素貝葉斯（TAN）方法準確率在 91.3% - 91.5%，半樸素貝葉斯分類器（SNBC）正向序列模型為 91.1%，反向序列模型為 90.9%，而 NB 方法相對較低，為 87.6%。與其他模型對比，CART 模型僅用血管活性藥物依賴、乳酸和感染這幾個預測因子，準確率就達到 91.6%；ANN 最高準確率為 90.5%，不同多層 ANN 準確率在 85.0 - 88.0%。在十折交叉驗證中，TAN（BIC）、TAN（AIC）和前向序列選擇和連接（FSSJ）模型表現穩定，ANN 則出現性能下降。所有模型對心源性休克分類存在困難，敏感性在 77.3 - 83.5%，通過上采樣雖可提高心源性休克敏感性，但會降低整體模型性能678。
在研究結論和討論部分，BNCs 在診斷這些病癥方面展現出有效性，其準確性與 ANN 相當，且具有可解釋性，挑戰了 ANN 作為 AI 金標準的傳統觀念。同時，研究也指出了模型存在的局限性，如對心源性休克分類困難，可能與數據或變量相關不足有關，數據集存在心肌梗死代表性不足、缺乏時間背景等問題。此外，研究人群的異質性也影響模型的普適性。不過，該研究為后續研究指明了方向，如進行外部驗證、優化模型、探索亞表型對模型性能的影響等91112。
總的來說，這項研究意義非凡。它為膿毒癥、感染性休克和心源性休克的診斷提供了新的思路和方法，BNCs 有望成為臨床診斷的有力工具。盡管目前還存在一些問題，但它為未來的醫學研究和臨床實踐點亮了一盞明燈，激勵著更多科研人員在這條道路上不斷探索，為拯救更多患者的生命而努力。
