使用“大数据”方法更有效地治疗脓毒症

赴美看病服务机构和生元国际了解到，败血症是一种严重的疾病，它是由对感染的过度反应导致的，这种反应会损害组织和器官。它是不可预测的，进展迅速，可以袭击任何人，是医院相关死亡的主要原因。仅在美国，每年就有近27万人死于败血症。那些在败血症中幸存下来的人通常会再次住院，有些人还会出现长期的健康并发症。早期治疗是许多脓毒症患者生存的关键，但医生很难诊断，因为它是如此复杂，每个患者都是不同的。

尽管有几十年的研究，脓毒症仍然是一个知之甚少的条件下，有限的诊断工具和治疗。为了解决这些障碍，科学家Vincent Liu、Christopher Seymour和Hallie Prescott已经开始使用“大数据”方法，这种方法依靠复杂的计算机程序来筛选大量的信息。在本例中，计算机分析败血症患者电子健康记录中的人口统计信息、生命体征、血检等数据。其目的是在数据中发现可能有助于医生更有效地理解、预测和治疗败血症的模式。

机器学习

加州奥克兰凯萨医疗机构研究部的文森特·刘医学博士利用他的“最大调查人员研究奖”(MIRA)寻找可能识别有脓毒症风险的患者的迹象，甚至在他们进入急症室之前。他说，结果发现，有多达一半的败血症患者在入院前一周曾去看过医生。这表明，电子健康记录中记录的某些疾病迹象可以为判断哪些患者有感染败血症的风险提供线索。为了识别这些“预感染”信号，刘博士使用了机器学习技术。在这种技术中，计算机分析大量的病人数据，从而揭示出新的见解，并识别出人类无法察觉的模式。

刘博士还利用机器学习来评估脓毒症治疗的早期效果。例如，因为败血症通常始于简单的感染，抗生素是治疗的标准部分。但对医生来说，给每一位面临败血症风险的病人开抗生素既不实用也不安全。细菌对抗生素的耐药性越来越强，这些抗生素有副作用，比如杀死病人的有益细菌，使他们更容易在未来受到新的感染。机器学习可以帮助识别哪些患者从早期使用抗生素中获益最多，风险最小。电子工具可以常规地识别出感染风险最高的症状，这样患者就会知道什么症状应该促使他们尽早就医。

类型的脓毒症

匹兹堡大学医学中心的医学博士Christopher Seymour和他的团队正在研究脓毒症患者之间的差异。他的MIRA支持急诊护理(SENECA)项目中的脓毒症内分型。在塞内加，西摩博士和他的同事使用计算工具分析了16500多名在入院后6小时内被诊断为败血症的患者的健康记录;6小时内诊断可大大提高败血症患者的存活率。研究人员关注了29种不同的因素，如年龄、性别、生命体征、常规血液检测和细胞计数、并发疾病和器官功能测量。他们还使用了一组43000多名平均年龄、性别比例、实验室结果和其他临床数据相似的患者。

分析显示四个不同的类型,或表型,脓毒症:阿尔法(α),贝塔(β)、γ(γ)和δ(δ),不同的临床特征,宿主对感染,短期和长期的结果,和静脉输液反应。西摩博士的团队继续通过电子健康记录进行计算，以了解当前和未来的治疗方法如何应用于这些表型。与此同时，研究小组正在将败血症患者纳入一项新的研究，旨在研究这四种类型背后的生物学机制。有朝一日，这些表型可能会帮助研究人员设计更有效的脓毒症临床试验，帮助医生更早地诊断病情，并优化治疗程序。

脓毒症的健康后果

密歇根大学医学博士哈莉·普雷斯科特(Hallie Prescott)主要研究脓毒症患者在首次住院治疗后的情况。她说，许多人会出现新的身体疾病或精神症状，患者通常会在3个月内再次入院。普雷斯科特博士想知道这些负面影响是直接来自败血症还是来自患者可能已经患有的其他疾病。医生们已经知道，某些已经存在的疾病，如自身免疫性疾病，首先会使一些患者更有可能发展为败血症。

普雷斯科特博士最近共同主持了关于理解和提高脓毒症生存的国际讨论会。该小组的结论是，脓毒症的研究通常集中于短期生存，所以很少有关于幸存者在脓毒症后的几个月和几年发生了什么信息。该小组提出了一些建议，以推进脓毒症患者生存的研究。在短期内，它建议医院协调和共享现有数据集以促进研究。从长远来看，需要专门的项目来研究脓毒症幸存者。这项工作将帮助医生发现并帮助那些败血症后预后更差的患者。