Palmo

引用：Marko B、Palmowski L、Nowak H 等人。利用人工智能优化重症监护病房脓毒症抗生素剂量：前瞻性观察研究 (KI.SEP) 的研究方案。BMJ Open 2024；14：e086094。doi:10.1136/ bmjopen-2024-086094

摘要 简介 在脓毒症治疗中，实现和维持有效的抗生素治疗至关重要。然而，由于脓毒症患者之间存在很大差异，最佳抗生素剂量面临挑战。治疗药物监测 (TDM) 是目前的黄金标准，缺乏初始剂量调整和全球可用性。即使进行每日 TDM，抗生素血清浓度 (ASC) 也经常偏离治疗范围。本研究通过开发基于机器学习 (ML) 的 ASC 预测模型来解决这些挑战，该模型能够处理可变数据输入并涵盖各种临床、实验室、微生物学和蛋白质组学参数，而无需每日 TDM。方法 这项前瞻性观察研究是在德国大学医院重症监护室进行的。符合条件的脓毒症患者在 24 小时内接受哌拉西林/他唑巴坦 (n=100) 或美罗培南 (n=100) 持续抗生素治疗。排除标准包括拒绝、怀孕、哺乳和严重贫血 (血红蛋白 <8 g/dL)。在第 1-8 天和第 30 天或出院时从患者身上采集 TDM 血液样本以及临床和实验室参数。预测第 1 天至第 8 天之间 ASC 的 ML 模型作为主要和关键次要终点。我们将使用收集的数据开发多方面的基于 ML 的算法，旨在优化脓毒症中的抗生素剂量。我们的双向方法涉及创建两种不同的算法：第一种算法使用常规临床参数关注预测准确性和普遍性，而第二种算法利用扩展数据集，其中包括目前尚未充分探索且在标准临床实践中不可用但可能有助于提高精度的大量因素。最终，这些模型有望集成到患者数据管理系统中的临床决策支持系统中，促进对败血症的自动化、个性化治疗建议。道德与传播 该研究获得了波鸿鲁尔大学医学院伦理委员会的批准（编号23-7905）。研究结果将是