【感染科普笔记2023-9-14】薛博仁丨败血症的快速智能预测

nionline

讲者丨薛博仁（中国医药大学医学院）
整理丨张萌（大连市友谊医院）
审核丨秦海燕（昆明市第一人民医院）
来源丨SIFIC 2023“全国感控与耐药感染”联合大会
败血症的早期预测和诊断对降低死亡率至关重要，越早诊断对病人越有帮助，若能快速智能预测和检测败血症，将有益于败血症的治疗。在SIFIC 2023“全国感控与耐药感染”联合大会上中国医药大薛博仁教授就其团队为快速预测败血症所搭建使用的人工智能平台进行介绍。



一、败血症的定义
在台湾，约每10万人口有643个败血症患者，导致的死亡率约30%，败血症的死亡率相当高。败血症的定义很广泛。以由感染引起的败血症来看，其过程为先有局部侵犯，然后发展到菌血症，再发展为败血症。临床上对败血症有很多不同解读，从Sepsis-1或2再到3对败血症均有不同定义。





二、败血症的预测
薛教授之前介绍的“智抗菌”，是其所在中国医药大学附设医院（中国附医）的抗菌药物使用人工智能平台，其中有一个预测败血症和7天死亡率的“败血症死亡率”小平台。使用C-反应蛋白、体温 、GSC、呼吸、血小板计数、红细胞分布宽度、嗜酸性粒细胞、单核细胞、年龄、性别共十项参数预测败血症。目前这个平台已经经过机器学习和临床验证，可以很好的评估病人在住院过程中败血症的情况。
在平台上可以看到败血症的预测结果随着时间动态变化，在病人住院过程中，随着治疗进行，观察病人的败血症风险的变化。如果抗生素没有使用好或临床上没有治疗好，败血症的风险就会来越高。七天死亡率也往往随着败血症风险的增加而增加。
三、血流感染的预测
在临床上，诊断血流感染需要做血液培养。从标本的采集到培养结果阳性的初报（报告血中细菌革兰氏染色分类），再到有包括菌种鉴定以及药敏试验等信息的完整报告，时间较长。在台湾，大部分情况下，当临床上怀疑病人细菌感染要用抗菌药物的时候，会做血液培养，所以血液培养是一个常见的检查。
“智血检”是薛教授及其大学体系下医院尝试搭建使用的人工智能，目的为研究AI的介入是否能缩短检查时间。希望在一小时内利用临床常用的血象检查中白血球、红血球、血小板或者血球分类以及细胞种群参数，为临床提供病人在抽血前后四小时血液培养的阳性几率。用“智血检”判读血流感染的几率，若判读在80%以上，临床就可以知道该病人菌血症几率很高，给予适当的抗菌药将非常重要。由细菌感染引起的败血症，若能在第一时间快速准确应用抗菌药物，就可以提高病人预后，降低患者死亡率。
重要的是，这项预测不需要额外花费，血象检查是一项常规检查，检查结果可直接传送AI中心，经过机器演算出来，即可完成预测。
四、“智血检”的前期开发及市场前景
薛教授及其所在体系医院，利用院中设备（BECKMAN DxH900）检测血象时自带的一些参数搭建感染预测人工智能。细菌感染时，细菌毒素等因素会导致血液中细胞激素的变化，从而导致血细胞，尤其是单核细胞大小的变化，它是预测败血症的特征点，但其实不只是细胞的大小，细胞中出现的中毒颗粒和空泡、杜勒小体等都是细菌感染导致的变化。AI若能判读这些变化，就有可以预测血流感染的可能。检测设备本身具有的矩形图可以反映血球分布情况，因不同细胞的体积、电导率、散射光不同而形成的散点图和细胞种群数据均是BECKMAN DxH900检验血象时必然会出现的信息，将信息导出让机器学习再经过临床验证后形成预测模型，就可以预测病人在抽血前后四小时血流感染的机会即血培养阳性几率。
在整个预测效果测试中。首先要做的是人工智能的深度训练，接着是做临床验证，在学习多份阳性血样（要注意排除污染的情况）和阴性血样，以及在多家医院进行验证后，得到一个分析预测模型。该模型的ROC曲线的AUC在0.8以上，表明这个模型可以用来预测。
在中国附医以及其体系内的为恭医院用不同的分析方式，得到的AUROC的数字也不一样，但均大于0.8，接近0.85，这表明该预测模型是可行的，可以提早在病人抽血做血象的同时，预测前后四个小时病人血液血流感染的几率。
此类预测模型在医院应用时，需要医院里机器的所有参数自动同步到资讯室，在资讯室经过AI中心，再回到医院的LIS和HIS的系统。这样的系统要想在医院能够运行，需要有一系列文章佐证，所以在做出智能预测以后，团队很快就做了文章阐述，再之后拿到相应的证照。有证照以后，就可以在自己医院之外的体系医院使用，再进一步可以到体系以外的医院使用，将平台推广应用。
“智血检”是薛教授团队在其本院使用的血象检测设备（BECKMAN DxH900）自有检测参数的基础上建立起来的智能预测，其最大的应用限制也来自于此，因为其他血象检测设备未必有同样的参数。薛教授所在整个体系医院共有12家，但只有三家医院有这种设备机型，而在整个台湾地区很多医院都有这个机型，除台湾地区以外，全世界有77个国家或地区，有3000多台DxH900。希望后续“智血检”可以在全世界应用。
五、“智血检”后续开发、应用
上述介绍的是“智血检”第一个步骤，预测血流感染，菌血症。接下来利用这些参数，希望能区分血液中细菌革兰氏染色分类。因为预测菌血症的目的是抗菌药的及时正确使用，若只停留在第一步对临床的帮助并不大，但若可以预测革兰氏阳性和阴性菌，帮助作用将大步提升。目前仍在积极训练AI，有更多的病人参加了机器深度学习的模型，希望这个模型未来可以在一个小时内根据血象参数预测病人是否有血流感染并能区分革兰氏分类。
目前，“智血检”准确预测病人抽血的前后四小时血流感染的成功率在80%。人工智能需要长时间的临床验证，所以现在“智血检”的人工智能预测机制已经纳入中国附医的抗菌药使用平台，每个病人在使用抗菌药物的时候，平台上就会显现“智血检”的预测数字，告诉临床该病人在抽血象的前后四小时里，血流感染的机率是多少，为临床提供参考。“智血检”的开发团队涉及多个部门，包括检验医学中心、急诊部、人工智能中心、资讯室，以及大学体系内的其他合作医院（安南医院、为恭医院）等等。50%-60%的血流感染病例来自急诊，所以目前预测主要针对的也是急诊部病人。急诊部病人的预测跟住院病人的预测并不完全一样，原因在于大部份住院病人都用过抗生素，但是鲜少有病人在用过抗菌药后去急诊，所以在住院病人身上，会出现血细胞有相应的变化表明病人应有血流感染，但因为病人已经住院后使用抗生素，结果血培养呈阴性，使得预测与培养结果不符。所以这也是项目团队现在一直关心的在住院病人中会预测效果是否比较差。
团队AI中心有约60位人员在参与不同的人工智能计划。AI的完整呈现也需要有其他医院的共同参与作为验证的证明，才可以广泛使用。

小 结败血症患者及时使用抗菌药物非常关键，越早诊断对病人越有帮助。薛教授团队运用“智血检”快速预测血流感染，可以将治疗前移至急诊，具有很好的应用前景，救治更多病人，也为我们各家医院AI及机器学习发展提供了思路。
“本平台所有文章欢迎大家转发到朋友圈、群内学习，但若需转载至公众号或其它平台发布，请先联系小编确认同意”
封面图片来自网络图文：王小虾

高山雪莲W

现场听了薛博士的课，败血症的快速智能预测讲座，即感新鲜，也认识到快速预测败血症搭建人工智能平台的必要性。
“败血症的早期预测和诊断对降低死亡率至关重要，越早诊断对病人越有帮助，若能快速智能预测和检测败血症，将有益于败血症的治疗”。

新内容，谢谢分享！

砂砾1

谢谢分享，学习了。

c陈思s

谢谢老师分享，学习了！

jerkran

Thank you for sharing, learning, always learning, always thanks, not convinced

c陈思s

谢谢老师分享，学习了。

LJMX0211

学习中，谢谢老师分享