Name
Sepsis Misra Early Detection of Septic Shock
Alternative Bezeichnung
N/A
Endpunkt
Septischer Schock in den nächsten Stunden ja/nein
Kurzbeschreibung
Früherkennung eines septischen Schocks durch die Verwendung von Klassifizierungsmodellen
Variablen
- Blutkultur
- Blutdruck
- Puls
- Körpertemperatur
- Kreatinin
- Laktat
- Thrombozyten
- Leukozyten
- Alter
- Geschlecht
- Größe
- Gewicht
Methodik und Algorithmus
Verschiedenen ML-Modelle
(Random Forest, XGBoost, C5.0, Decision Trees, Boosted Logistic Regression, Support Vector Machine, Logistic Regression, Regularized Logistic, und Bayes Generalized Linear Model) wurden trainiert, um einen septischen Schock in einer, in drei oder in sechs Stunden vorherzusagen.
Trainingsdaten
Von April 2005 bis September 2018 wurden SIRS-Patienten aus Nord-Ost Pennsylvania, USA gesammelt und mit den Gesundheitsdaten dieser Patienten Modelle entwickelt, um einen septischen Schock vorherzusagen. Der septische Schock wurde durch Diagnose, Abrechnung und Laborparameter bestätigt. Die Trainingsdaten umfassten erwachsene Patienten mit bestätigtem septischem Schock sowie Patienten mit SIRS bzw. Sepsis ohne Schock, darunter 5.852 Fälle von septischem Schock und 32.329 Fälle von SIRS/Sepsis ohne Schock.
Performance
- Interne Validierung: Vier Modelle erreichten eine AUROC von mehr als 0,9. Insgesamt erreichten alle konsolidierten Modelle einen AUROC von mindestens 0,882 oder höher. Basierend auf dem AUROC von 0,948 ist das beste Modell Random Forest mit einer Sensitivität von 83,9 % und einer Spezifität von 88,1 %.
- Externe Validierung: Keine
Entwickler
Steele Institute for Health Innovation, Geisinger Health System, Danville, PA 17822, USA
Verfügbarkeit
Nur für Forschung
Open Source: Nein
Open Data: Nein
Der Datensatz und die Modelle stehen weder kommerziell noch Open Source zur Verfügung. Beispiele sind hier zu finden: https://github.com/TheDecodeLab/early_sepsis_detection_2020
Erstveröffentlichung
15.01.2021
Quellen
- Studie: Misra et al (2021): Early Detection of Septic Shock Onset Using Interpretable Machine Learners
- Metadaten und weitere Informationen: https://github.com/TheDecodeLab/early_sepsis_detection_2020