基于人工智能的聚类分析用于识别急诊科疑似脓毒症患者的临床表型

摘要 背景 在急诊科（ED）识别高危患者至关重要，因为脓毒症相关的高死亡率需要及时管理。本研究旨在对来自异质ED人群的疑似脓毒症患者进行无监督共识聚类。 方法 本描述性回顾性队列研究于2014年11月至2019年11月期间进行，研究对象为访问急诊科的疑似脓毒症患者。通过使用生命体征和临床实验室数据等变量进行聚类分析，对患者特征进行分类。人工智能模型生成了基于不同变量距离值的聚类图，识别出五个独特的聚类，每个聚类代表患者亚型中的一种临床表型。除了分析每个聚类的临床表型外，本研究还通过亚组分析检验了基于抗生素使用时间的预后，以提供临床应用的指导。 结果 本研究纳入了共计14,402名患者。聚类分析结合人工智能模型发现疑似脓毒症患者中存在五个独特的聚类。这五个聚类的基线特征和临床结果进行了详细描述。聚类B包含了最大比例的脓毒性休克患者，并显示出最高比例的重症监护干预，包括使用血管收缩剂、机械通气、重症监护病房入院和28天死亡率。聚类E则具有最低的这些干预率。在多变量分析中，3小时内应用抗生素显著减少了聚类A（aOR 0.73；95% CI, 0.54–0.98, p = 0.037）和聚类E（aOR 0.59；95% CI, 0.39–0.89, p = 0.013）的28天死亡率。 结论 该人工智能模型识别出五个来自急诊科的疑似脓毒症患者聚类，并显示出表型之间不同的结果模式。 临床试验编号 不适用。