這項研究的結果表明，個性化的抗生素治療時間建議模型可以幫助醫生做出更好的決定，避免延遲治療或過早給藥的潛在傷害，同時降低患者死亡率和醫療成本。
敗血症是一種由感染引起的過度炎症反應導致組織損傷、器官衰竭和死亡的疾病。敗血症導致6%的住院人數和35%的住院人數死亡，美國每年的經濟負擔超過270億美金。目前，敗血症治療指南建議對所有疑似敗血症或敗血症休克的患者開始廣譜抗生素治療，並在1小時內完成抗生素給藥。
然而，最近的研究表明，這種「一刀切」的治療指南可能會產生嚴重的藥物副作用，例如抗生素耐藥性以及艱難梭菌引起的腹瀉、發燒、噁心和腹痛。因此，迫切需要為敗血症患者制定個性化的抗生素治療時機，以避免不必要的風險。
最近，俄亥俄州立大學醫學人工智慧實驗室的科學家開發了一種新方法。他們利用機器學習和因果推理來評估和推薦敗血症的最佳治療時間以及對敗血症患者使用抗生素的醫療決策，以更好地幫助醫生為患者提供個性化治療計劃。
該團隊致力於構建更完整、可靠的臨床決策系統，準確提供最佳抗生素給藥時間。在未來的實際臨床部署中，基於該模型，將臨床治療指南和醫生的實際臨床經驗有效結合，進一步優化模型推薦結果。
4月6日，一篇題為「估計敗血症中抗生素治療時間的治療效果」的相關論文發表在《自然》雜誌《自然機器智能》上[1]。
俄亥俄州立大學計算機科學與工程系博士生劉若琪是該論文的第一作者，俄亥俄州立大學計算機科學與工程系和生物醫學信息學系雙助理教授張萍是該論文的通訊作者。
該團隊提出了一種名為「T4」的新方法來評估敗血症治療的持續時間和抗生素治療的有效性。T4通過分析患者的歷史觀察數據、控制動態混雜變量並評估未來不同治療時間對應的個體潛在結果和因果效應來確定個性化的最佳抗生素治療時間。
相關實驗使用美國和歐洲的真實患者數據來評估個體因果效應的準確性和模型推薦的抗生素治療時機的有效性。
如果您想了解更多信息，可以單擊視頻下方的連結。
感謝您觀看此視頻。如果您喜歡，請訂閱並點讚。謝謝
原文：https://www.mittrchina.com/news/detail/12056
視頻：