Model uczenia maszynowego do przewidywania sepsy pooperacyjnej u ostrych pacjentów chirurgicznych: badanie prospektywne wieloośrodkowe

Dlaczego ma to znaczenie dla pacjentów i rodzin

Sepsa to zagrażająca życiu reakcja na zakażenie, która może wystąpić po operacji w trybie pilnym, szczególnie u osób starszych. Lekarze wiedzą, że wczesne wykrycie ryzyka sepsy może uratować życie, ale trudno ocenić, kto jest najbardziej podatny w pośpiechu przed pilnym zabiegiem. W tym badaniu sprawdzono, czy rozpoznawanie wzorców przez komputer, dziedzina sztucznej inteligencji nazywana uczeniem maszynowym, może przesiać rutynowe dane szpitalne i wyłapać starszych pacjentów, którzy prawdopodobnie rozwiną sepsę po operacji, dając zespołom więcej czasu na działanie.

Sepsa i zagrożenia po operacjach w trybie nagłym

Sepsa jest jedną z głównych przyczyn śmierci na świecie i wiąże się z milionami przypadków oraz wieloma milionami zgonów rocznie. Operacje w trybie nagłym dodatkowo obciążają pacjentów: często są starsi, bardziej osłabieni i już ciężko chorzy w chwili wejścia na salę operacyjną. Zakażenia mogą rozwinąć się lub się pogorszyć szybko po zabiegu, a objawy mogą przypominać normalny przebieg rekonwalescencji, dopóki pacjent nagle się nie pogorszy. Tradycyjne listy kontrolne i systemy punktacji pomagają, ale nie zostały opracowane specjalnie dla osób starszych wymagających pilnych operacji i mogą przeoczyć tych o najwyższym ryzyku.

Przekształcanie rutynowych danych szpitalnych w wczesne sygnały ostrzegawcze

Badacze wykorzystali informacje z dużego włoskiego badania pacjentów w wieku 65 lat i więcej, którzy przeszli zabiegi w trybie nagłym w 29 szpitalach. Z ponad 150 zarejestrowanych pozycji skupili się wyłącznie na danych dostępnych przed operacją, takich jak wiek, choroby współistniejące, zdolność funkcjonalna, parametry życiowe, podstawowe badania krwi i miary kruchości. Oznaczyli pacjentów jako septycznych lub nie na podstawie przyłóżkowego wyniku qSOFA, który wykorzystuje częstość oddechów, ciśnienie krwi i stan świadomości do wykrywania niebezpiecznego zakażenia. W sumie przeanalizowano 2563 pacjentów, z których 119 spełniło kryteria sepsy po operacji.

Jak zbudowano i testowano modele komputerowe

Zespół porównał kilka typów modeli uczenia maszynowego, w tym regresję logistyczną, k-najbliższych sąsiadów, lasy losowe oraz drzewa wzmacniane gradientowo. Aby uniknąć błędnych wniosków, zastosowali surową, dwuetapową metodę testowania znaną jako zagnieżdżona walidacja krzyżowa: przy każdym uruchomieniu część pacjentów była odkładana jako grupa testowa, a modele strojon o były tylko na pozostałych przypadkach. Zajęli się też rzadkością sepsy poprzez staranne zbalansowanie danych, uzupełnianie niewielkich braków informacji i standaryzację pomiarów. Wydajność oceniano za pomocą dobrze znanych miar, takich jak dokładność — jak często model miał rację ogółem — oraz czułość i swoistość, które pokazują, jak często prawidłowo wykrywał lub wykluczał sepsę.

Co modele ujawniły o ryzyku sepsy

Wszystkie modele uczenia maszynowego wyraźnie przewyższyły prostą strategię zakładającą, że nikt nie rozwinie sepsy. Spośród pojedynczych modeli lasy losowe i drzewa wzmacniane gradientowo oferowały najlepsze połączenie wykrywania sepsy i minimalizowania fałszywych alarmów, z ogólną dokładnością powyżej 95 procent i silną zdolnością rozróżniania pacjentów wysokiego i niskiego ryzyka. Badacze połączyli też cztery główne modele w jedną ansamblową metodę, która podejmowała decyzję większościową na podstawie ich przewidywań. To połączone podejście osiągnęło bardzo wysoką dokładność, wysoką czułość i doskonałe zapewnienie, gdy deklarowało pacjenta jako niskiego ryzyka — oznacza to, że bardzo niewielu pacjentów, u których później rozwinęła się sepsa, zostało pominiętych przez system wczesnego ostrzegania.

Co to może oznaczać w szpitalu

Jeśli potwierdzą to przyszłe badania, tego typu narzędzie oceny ryzyka przed operacją mogłoby dostarczyć zespołom chirurgicznym praktyczną listę kontrolną napędzaną danymi. Zanim osoba starsza trafi na salę operacyjną, model mógłby dyskretnie przeskanować dostępne rutynowe informacje i zasugerować, kto może wymagać bliższego monitorowania, wcześniejszego podania antybiotyków lub innego postępowania pooperacyjnego. Mógłby wskazywać decyzje o miejscu rekonwalescencji, na przykład zwykły oddział lub jednostka o wyższym poziomie opieki, oraz pomagać szpitalom koncentrować ograniczone zasoby i personel na tych, którzy najprawdopodobniej rozwiną poważne zakażenie. Badanie nie twierdzi, że model jest gotowy do codziennego użytku, ale pokazuje, że uczenie maszynowe może przekształcić informacje już zbierane przy pilnych operacjach w istotne wczesne ostrzeżenia o ryzyku sepsy.

Cytowanie: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

Słowa kluczowe: sepsa pooperacyjna, chirurgia nagła, pacjenci w podeszłym wieku, uczenie maszynowe, predykcja ryzyka