详细内容或原文请订阅后点击阅览
机器学习如何帮助优化败血性休克的治疗
通过使用强化学习，研究人员训练虚拟代理根据各种患者特定因素确定给药的最佳时间
来源:约翰霍普金斯大学作者：Jaimie Patterson
作者： 杰米·帕特森 / 已发布 2025 年 11 月 19 日一个多机构研究团队展示了人工智能和机器学习如何优化败血性休克的治疗选择和剂量，败血性休克是一种危及生命的并发症，是医院死亡的主要原因。
该团队包括约翰·霍普金斯大学的 Suchi Saria，他之前开发了一种人工智能驱动的早期预警系统，该系统正在降低美国数十家医院的败血症死亡率。他们的研究结果发表在《美国医学会杂志》上。
苏奇·萨利亚 美国医学会杂志脓毒症通常会导致低血压，从而可能导致危及生命的器官功能障碍，每年导致超过 270,000 例美国死亡。紧急治疗包括给予液体和各种血管升压药（收缩血管的药物），以将患者的血压升高至正常水平并恢复血液和氧气流向其器官。
“如何通过不同的疗法最好地进行个体化血压治疗仍然是一个复杂的开放挑战，”资深作者、旧金山加利福尼亚大学麻醉和围手术期护理教授 Romain Pirracchio 说。
“有了这种基础设施，我们不再是一次进行三个实验，而是一次进行一千个实验，但我们甚至不是在做实验；我们是在从现有数据中学习。”
计算机科学教授
国际指南建议，如果患者血压仍然过低，请先使用去甲肾上腺素（一种旨在升高血压的药物），然后再使用加压素（一种升血压激素）。然而，感染性休克是一种快速且持续变化的病症，使是否以及何时开始加压素的决定变得复杂。更重要的是，加压素非常有效，这意味着过早开始使用可能会导致严重的副作用。
怀廷工程学院 贝叶斯健康