森亿资讯
森亿资讯 影响因子6.244!森亿智能AI模型助力医院科研突破

影响因子6.244!森亿智能AI模型助力医院科研突破

森亿智能
森亿新闻
2021-08-26
相关产品

近日,由上海儿童医学中心·上海智慧儿科临床诊治技术工程技术研究中心与森亿智能联合撰写的一篇关于儿童脓毒性休克预警模型的科研论文,在SCI期刊Frontiers in Oncology-Hematologic Malignancies (影响因子6.244)上完成了发表。论文的研究结果显示,在森亿智能AI模型的助力下,临床医生可以提前24小时预测发热粒缺患儿发生脓毒性休克,指导临床干预,减少患者发生休克的风险。

 

 

本研究经上海儿童医学中心伦理委员会批准,由上海智慧儿科临床诊治技术工程技术研究中心儿童重症智慧临床实验室王莹教授团队与森亿智能联合完成。上海智慧儿科临床诊治技术工程技术研究中心以上海交通大学医学院附属上海儿童医学中心(国家儿童医学中心)为依托单位进行建设和运行,是上海儿童医学中心儿科智慧医疗场景建设规划和产业转化的主要建设部门,是儿科临床诊治关键技术的工程化研究与开发平台,也是儿科人工智能临床研发相关成果的转化、辐射、推广以及应用评价的重要示范基地,着力为我国儿科领域的智慧赋能及实现临床技术的创新驱动和转化应用发挥基础性功能作用。

 

王莹教授是工程中心内设儿童重症智慧临床实验室临床负责人,上海儿童医学中心内科/重症医学科主任医师,并担任中国医师协会儿童重症医师分会副会长、上海市医师协会重症医师分会副会长、中国医师协会儿科医师分会儿童急救专业委员会副主任委员、中华医学会儿科学分会委员、《中华儿科杂志》、《中国小儿急诊医学》、《临床儿科杂志》编委等。副主编专著1部,参编专著和教材9部,发表学术论文100余篇。

 
儿童脓毒性休克早期防治需求与挑战并存
 
中性粒细胞减少并发感染,是儿童血液和肿瘤疾病的重要并发症。中性粒细胞计数低、化疗或放疗引起的粘膜损伤、器官功能障碍以及中心静脉导管放置,是这些患者并发感染的几大危险因素。
 
上海儿童医学中心数据显示,血液肿瘤患儿因脓毒性休克而死亡的人数约为每年15人。因此,脓毒症和脓毒性休克的早期识别、早期诊断和尽早干预至关重要。
 
然而,目前与血液病或肿瘤儿科患者相关的指南,缺乏脓毒症和脓毒性休克的风险分层和评估方法。这给疾病的预防和治疗带来挑战。
 
 
AI模型可实现临床预警
 
随着人工智能的发展和临床医学对大数据的需求不断增加,将机器学习(Machine Learning,ML)应用于临床实践和研究变得尤为重要。人工智能在特定危重疾病中的应用,对于指导临床治疗决策具有深远意义。
 
2020年6月,上海儿童医学中心联合森亿智能,针对患有并发血液肿瘤疾病的儿童,初步建立和验证了脓毒性休克预测模型(SSEW)。该模型可识别伴有发热或中性粒细胞减少的血液系统恶性肿瘤患者发生脓毒性休克的风险,从而让医生能够及早干预。
 
本次研究的对象为2017年1月1日至2019年8月1日在上海儿童医学中心血液肿瘤科住院的血液或肿瘤疾病儿童。年龄分布在30 天至18岁之间。
 
模型的效果通过受试者工作特征曲线下面积(AU-ROC)来衡量。通过比较不同时间点的AUC、结合临床干预的时机,最终选择脓毒性休克前24小时作为开始预警的最佳时间点。此时间点上,模型AUC达到0.93,优于既有的pSOFA评分,为临床医生提供新的参考思路。
 
与传统的预警方法相比,SSEW模型针对儿童不同的基础疾病,在筛选特定疾病的预测特征时可以更加准确和精准。此外,SSEW模型通过衍生特征反映感染性休克发生过程中的具体特征和动态变化,最终为脓毒性休克患儿提供预警能力。
研究结果显示,血液肿瘤儿科患者的SSEW模型,可以提前24小时向临床医生发出预警,提示患儿可能发生脓毒性休克。模型效果优于已有的相关评分(pSOFA评分),给临床医生带来新的参考选择。
 
 
AI模型可提升科研效率和质量
 
过去,科研人员开展大样本回顾性研究,往往需要花费大量的人力、物力和时间,而且容易出错。人工智能技术的出现和应用,则解决了这一难题。它可将大量的底层数据通过治理转化为可用的、结构化的临床数据,从而提高了临床大数据的使用效率,提高科研产出。
 
森亿智能长期深耕于临床数据集成、专病库建设等医学信息化领域,为临床研究、运营管理、智慧临床等上层应用打下了坚实的基础。本次论文依托于森亿智能自主研发的自动机器学习(AutoML)系统。该系统实现了从标准化数据库到AI建模的全流程数十个节点自动化、工程化,因此能够低成本、低门槛地完成高质量的机器学习建模任务。同时,整个建模方法论的关键环节都有成熟的学术文献支持,能够满足医学研究学术发表需求。
 
以本次论文为例,在医学研究人员给出临床方案后,经过简单配置即批量完成了脓毒症提前4小时、8小时、12小时、24小时预警等4个建模场景的数据提取与质控、统计分析、变量选择、以及十余个机器学习模型的自动调参训练等任务,并给出各环节的建模明细文档。在完成高质量机器学习建模的同时极大加速了学术研究周期。
 
 
研究价值与未来展望
 
从价值来看,本次研究不仅仅是对儿童脓毒血症发生休克的早期预防的可能性验证,更为其他儿童重症疾病的预防打开了思路。随着国家不断开展单病种质量建设,未来将有越来越多如VTE等疾病防治与人工智能相结合,提升科研效率和质量。而这,也将成为医院高质量发展的必经之路。
客服
公众号
电话
电话咨询 021-58342202