[论文解读] Accuracy of the Epic Sepsis Prediction Model in a Regional Health System
本研究在一家五家医院的区域医疗系统中评估了Epic脓毒症预测模型（ESPM），将其脓毒症预测准确性与现有的早期预警评分（EWS）系统进行比较。ESPM是一种利用电子健康记录（EHR）数据的机器学习模型，表现出更优的性能，曲线下面积（AUC）为0.73，优于EWS的0.62，显示出在识别住院早期脓毒症方面更高的阳性预测值、召回率和整体准确率。
Interest in an electronic health record-based computational model that can accurately predict a patient's risk of sepsis at a given point in time has grown rapidly in the last several years. Like other EHR vendors, the Epic Systems Corporation has developed a proprietary sepsis prediction model (ESPM). Epic developed the model using data from three health systems and penalized logistic regression. Demographic, comorbidity, vital sign, laboratory, medication, and procedural variables contribute to the model. The objective of this project was to compare the predictive performance of the ESPM with a regional health system's current Early Warning Score-based sepsis detection program.
研究动机与目标
- 评估Epic脓毒症预测模型（ESPM）在真实世界区域医疗系统环境下的预测性能。
- 将ESPM在脓毒症检测中的准确性与机构现有的基于EWS的脓毒症检测方案进行比较。
- 评估ESPM警报与标准临床指标（如乳酸水平）相比的时间节点及其临床相关性。
- 确定ESPM是否相比当前临床实践能改善脓毒症的早期识别。
提出的方法
- 使用2017年6月1日至2017年10月20日期间五家UCHealth医院的住院患者数据进行回顾性队列研究。
- ESPM每两小时基于电子健康记录（EHR）数据自动计算，包括人口统计学信息、生命体征、实验室检查、药物使用和共病情况。
- EWS每四小时计算一次，并由床边护士手动记录，评分范围为0–21。
- 共病通过公开可用的软件使用ICD-10 CCS10分类系统定义。
- 使用标准指标评估模型性能：曲线下面积（AUC）、阳性预测值、召回率、阴性预测值、F1分数和准确率。
- 主要结局为来自专有Vizient基准代码集的任意ICD-10脓毒症诊断编码。
实验结果
研究问题
- RQ1Epic脓毒症预测模型（ESPM）在区域医疗系统中的预测准确性与现有基于EWS的脓毒症检测系统相比如何？
- RQ2ESPM在住院过程中何时首次达到临床相关阈值（≥5）以预测脓毒症？
- RQ3ESPM警报与关键临床指标（如乳酸检测）的时间节点相比如何？
- RQ4ESPM在识别后续发展为脓毒症的患者方面的表现如何，特别是在阳性预测值和召回率方面？
主要发现
- ESPM的受试者工作特征曲线下面积（AUC）为0.73，显著优于EWS的0.62。
- ESPM的阳性预测值为0.44，高于EWS的0.33，表明其在识别真实脓毒症病例方面具有更高的精确度。
- ESPM的召回率（敏感性）为0.66，高于EWS的0.61，表明其在检测出脓毒症患者方面表现更优。
- ESPM的准确率为0.78，高于EWS的0.64，表明其整体分类性能更优。
- ESPM首次达到≥5警报的中位时间为入院后7小时，且该时间点比首次测量乳酸的中位时间晚7小时（四分位距为4–22）。
- 脓毒症患者ESPM评分的中位数（66）显著高于非脓毒症患者（40），且ESPM的最高值出现在住院过程中的时间点早于EWS的最高值。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。