所有文章 > 正文

EHR大数据+机器学习算法揭示了脓毒症的四种亚型

作者: Jansfer

浏览量: 390

时间: 2019-06-03 08:07

关键词: 机器学习,大数据,脓毒症

2019年5月21日,发表在JAMA上的一项研究表明,机器学习法通过对EHR大数据的分析,确定了脓毒症的四种亚型,这使得脓毒症患者可以选择更加适合自己的治疗手段。

脓毒症是一种每年能够感染数百万人的传染病。虽然研究者们对这种病有了更加深入的理解,但是理论研究结果仍然没能转化为新的治疗手段。

这个研究团队表示,对这一综合症的定义包含了临床和生物学的众多维度的特征,这是阻碍研究取得进一步进展的一个主要原因。对这些特征的不同组合可能出现之前没有过的描述子集或者表型,这可能会使治疗风险不同,对治疗手段的反应也会不同。

匹兹堡大学医学院的研究者使用了机器学习算法,分析了2010至2012年到达医院六小时以内就被确诊患有脓毒症的两万多个患者的29项临床变量。

这一算法最终将脓毒症患者分为四种类型。Alpha 类是最常见的类型,有33%的患者都属于这种类型。这类患者的不正常实验测试结果最少,器官功能障碍最少,住院死亡率也最少,只有2%。Beta类脓毒症患者年纪更大,患有慢性病并有肾功能障碍。有27%的患者属于这种类型, 与gamma型患者比例相同。Gamma型患者患有炎症和肺功能障碍。Delta型患者是最少见的,只有13%的患者属于这种类型。这种类型也是最致命的,患者兼有肝功能异常和休克症状,住院死亡率为32%。

研究者还使用这一算法对2013至2014年该医院的43000个脓毒症患者的信息进行了分析,获得的比率和症状特征与以前的研究结果一致。当研究小组研究美国的28家医院的将近500个肺炎患者的临床数据和免疫反应时,出现相同的情况。这些发现说明这一算法可以用在多种病症患者的临床数据分析上。

研究人员说:“当患者进入急诊部时,这些脓毒症的亚类型就可以被确定,因此有助于前期的治疗和进行临床试验。”“只有平时可利用的数据被用在分类模型里,并且被观察对象足够多时,才能确保结果的普遍性。”

除了通过几个数据集合来测试这种算法,该团队还把这个方法用在了几个最近完成的国际临床实验测试数据上。这些实验测试了不同脓毒症治疗方法,都得到差不多的结果。然而,研究者发现,当把实验参与者分成四种亚型时,一些临床测试能够得到更好的结果。例如,2014年一项关于早期目标导向治疗法(EGDT)的研究,被认为毫无用处。然而,研究人员通过使用机器学习算法将参与者归类并重新评估研究结果,他们发现EGDT对alpha型脓毒症有作用,对delta型脓毒症患者有决定性影响。这一发现说明亚型的确定对未来脓毒症的治疗有重要作用。

研究人员说:“将来,这些概念验证临床表型可能会用在前瞻性研究设计上,用于测试新的生物活性疗法。新颖的设计可以丰富以前提出的表型以及在实验中确认预测表型的界限。”

这项研究的缺陷是这些表型的特征来自于美国的一个单一健康系统。虽然在其他数据集里也适用,但是仍然需要进一步的研究。尽管存在缺陷,研究者仍然坚信对脓毒症分类将帮助到每一位该病患者。

皮特重病监护医学系的教授兼主席,MD ,MDH ,资深作者Derek Angus 说:“从直观上说,这种方法是行得通的,就像你不能对所有乳腺癌患者采取相同的治疗手段,严重的患者必须使用具有侵略性的手段。不同患者对不同的生物标志物和不同药物的反应可能是积极的,也可能是消极的。下一步是要做的就是寻找针对不同脓毒症类型的治疗方法,然后设计新的临床实验来测试它们。”

连接:https://healthitanalytics.com/news/ehr-big-data-machine-learning-reveal-four-subtypes-of-sepsis

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

[关于转载]:本文转载于Jansfer,仅用于学术分享,有任何问题请与我们联系:report@aminer.cn。