随着现代化的医疗技术的发展，数据就像河流一般贯穿几乎所有的医疗设备，但就目前看来，这些对医疗行业极为重要的数医院的工作人员手工输入。而在像重症监护室这样的高风险环境中，护士其实有很多比输入数据更紧迫的任务，比如检测患者的生命体征。医院引进越来越多的自动测量设备，实践证明这些机器所节省的时间是可以挽救很多人的生命。同时这些机器产生的数据为人工智能（AI）提供了信息挖掘的机会，例如通过数据挖掘及早发现一些严重的并发症。

败血症就是临床常见的一种严重的并发症，它也是一种可能随时危及生命的炎症反应，通常会在免疫系统过度反应而抵抗感染时发生。根据美国疾病控制中心的数据，三医院的患者都患有败血症。每年美国儿童中有超过例严重小儿败血症，儿童死亡率高于成人。但是败血症并不容易被确诊，因为症状变化多样，严重时，患者血压下降，心率迅速加速，需氧量增加，器官开始衰竭。

RishikesanKamaleswaran是田纳西大学健康科学中心儿科系生物医学信息学中心助理教授。他和他的研究人员正在开发一种深度学习模型，可以比传统的筛查方法提前24小时检测败血症，这样就可以提前预警，使医生有机会进行详细测试以确认诊断，医院对患者进行有效服务。

败血症患者通常会在不同时间出现症状，有些患者可能具有早期症状，而另一些患者可能在多个器官衰竭后才会出现临床反应。“不幸的是，这是一个非常被动的过程，”Kamaleswaran说道，“往往都是患者处于非常急剧的状态，医生才会发现败血症迹象。”而且败血症对生命的威胁会取决于器官失效时间，例如心脏骤停或呼吸窘迫可能在几分钟内致命，而发生肾功能衰竭的患者可以进行透析并安全度过一周并通过治疗恢复。

确证败血症通常需要通过血液检查，但这可能会增加更多潜在感染源。但已有研究表明，心率和血氧饱和度等外部测量症状也对败血症感染具有病理反应，Kamaleswaran和他的研究人员选择这些外部检测数据点来开发他们的神经网络。

医院标准的ICU流程，是让护士每两到四个小时测量一次心率、氧气水平和血压等生命体征的读数。而使用自动床边测量机器则可以更频繁的自动提取数据。护士便可以依靠监视器自动捕获的数据，而不必手动观察和输入每位患者的数据，从而节省宝贵的时间。研究人员收集了数百名年龄在6到18岁的儿科ICU患者的数据，使用单个NVIDIAGPU和TensorFlow以及Keras平台来测试他们的卷积神经网络（CNN）。理想的深度学习算法应该尽早预测败血症症，但如果过早预测则会捕获太多的假阳性，因为这时可能并没有感染，经过反复试验，研究人员搭建的CNN在灵敏度为75％时准确率超过80％。该研究结果发表在最近由OguzAkbilgic博士，SamirShah博士和RobertL.Davis博士等研究人员共同撰写的论文中。

此项研究的目标是将这种医院，更快速准确的诊断败血症，但目前研究人员还在收集更大的败血症患者数据库，以提高模型的精确度。为此，医院合作。使用来自NVIDIAGPUGrant计划的TITANXpGPU，他们还致力于开发一种可在GPU上直接运行的逻辑推理软件工具，使败血症检测软件能够为每个患者提供个性化服务并在床边自动运行。

（TheEnd）

如果你对于这类技术十分感兴趣，欢迎







































白癜风专科医院怎么样
白癜风治疗最佳医院