机器学习系统标记可能弊大于利的补救措施

脓毒症每年夺去美国近 270,000 人的生命。不可预测的医疗状况可能会迅速恶化，导致血压迅速下降、组织损伤、多器官衰竭和死亡。

医疗专业人员的及时干预可以挽救生命，但一些败血症治疗也可能导致患者病情恶化，因此选择最佳治疗可能是一项艰巨的任务。例如，在严重败血症的早期，静脉输液过多会增加患者的死亡风险。

为了帮助临床医生避免可能导致患者死亡的补救措施，麻省理工学院和其他地方的研究人员开发了一种机器学习模型，可用于识别比其他选择风险更高的治疗方法。他们的模型还可以在脓毒症患者接近医疗死胡同时向医生发出警告——无论采用何种治疗方法，患者都极有可能死亡——这样他们就可以在为时已晚之前进行干预。

当应用于医院重症监护室败血症患者的数据集时，研究人员的模型表明，大约 12% 的死亡患者接受的治疗是有害的。该研究还显示，大约 3% 的未存活患者在死亡前 48 小时进入医疗死胡同。

“我们看到，我们的模型比医生识别患者病情恶化的时间早了将近八小时。这很强大，因为在这些非常敏感的情况下，每一分钟都很重要，并且要意识到患者的病情变化，以及服用某些药物的风险任何特定时间的治疗都非常重要，”计算机科学与人工智能实验室 (CSAIL) 健康 ML 小组的研究生 Taylor Killian 说。

和 Killian 一起写这篇论文的还有他的导师、助理教授 Marzyeh Ghassemi，他是 Healthy ML 小组的负责人和资深作者;第一作者，微软研究院高级研究员 Mehdi Fatemi;和 Jayakumar Subramanian，Adobe India 的高级研究科学家。该研究将在本周的神经信息处理系统会议上公布。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！