En maskininlärningsmodell för prediktion av postoperativ sepsis hos akuta kirurgiska patienter: en multicenter, prospektiv studie

Varför detta är viktigt för patienter och familjer

Sepsis är en livshotande reaktion på infektion som kan uppstå efter akut operation, särskilt hos äldre vuxna. Läkare vet att tidig identifiering av sepsrisken kan rädda liv, men det är svårt att avgöra vem som är mest sårbar i hastigheten före en brådskande operation. Denna studie undersöker om datorbaserad mönsterigenkänning, en gren av artificiell intelligens som kallas maskininlärning, kan sålla i rutinmässiga sjukhusdata för att markera äldre patienter som sannolikt utvecklar sepsis efter akut kirurgi, och ge teamen mer tid att agera.

Sepsis och farorna efter akut kirurgi

Sepsis är en ledande dödsorsak globalt och är kopplat till miljontals fall och flera miljoner dödsfall varje år. Akut kirurgi ökar belastningen: patienterna är ofta äldre, skörare och redan svårt sjuka när de kommer till operationssalen. Infektioner kan utvecklas eller förvärras snabbt efter ingreppet, och symtomen kan likna en normal postoperativ återhämtning tills patienten plötsligt försämras. Traditionella checklistor och poängsystem hjälper, men de är inte specifikt designade för äldre som behöver brådskande operationer och kan missa dem som har högst risk.

Att göra rutinmässiga sjukhusdata till tidiga varningssignaler

Forskarna använde information från en stor italiensk studie av patienter i åldern 65 år och uppåt som genomgick akuta operationer på 29 sjukhus. Av mer än 150 registrerade variabler fokuserade de enbart på uppgifter tillgängliga före operationen, såsom ålder, befintliga sjukdomar, funktionell status, vitala parametrar, grundläggande blodprover och mått på skörhet. De klassade patienter som septiska eller inte baserat på en sängsidesscore kallad qSOFA, som använder andningsfrekvens, blodtryck och mentalt tillstånd för att flagga farlig infektion. Totalt analyserades 2563 patienter, varav 119 uppfyllde kriterierna för sepsis efter operation.

Hur dator—modellerna byggdes och testades

Teamet jämförde flera typer av maskininlärningsmodeller, inklusive logistisk regression, k-närmaste grannar, slumpmässiga skogar (random forests) och gradientförstärkta träd. För att undvika att luras av överoptimism använde de en strikt tvålagers testmetod känd som nästlad korsvalidering: för varje körning hölls vissa patienter tillbaka som en testgrupp och modellerna justerades endast på de återstående fallen. De hanterade också att sepsis var relativt sällsynt genom att noggrant balansera data, fylla i mindre informationsluckor och standardisera mätningar. Prestanda bedömdes med välkända mått såsom noggrannhet — hur ofta modellen hade rätt — samt sensitivitet och specificitet, som visar hur väl modellen fångade respektive uteslöt sepsis.

Vad modellerna avslöjade om sepsrisken

Alla maskininlärningsmodeller presterade klart bättre än en enkel strategi som utgick från att ingen skulle utveckla sepsis. Bland de enskilda modellerna erbjöd slumpmässiga skogar och gradientförstärkta träd den bästa kombinationen av att korrekt flagga sepsis och minimera falska larm, med en total noggrannhet över 95 procent och god förmåga att skilja hög- från lågriskpatienter. Forskarna kombinerade också de fyra huvudmodellerna till ett ensemble som tog majoritetsröst från deras prediktioner. Detta kombinerade tillvägagångssätt nådde mycket hög noggrannhet, stark sensitivitet och utmärkt trygghet när det deklarerade en patient som lågrisk, vilket innebär att få personer som senare utvecklade sepsis missades av tidiga varningssystemet.

Vad detta kan innebära på sjukhuset

Om resultaten bekräftas i framtida studier kan denna typ av preoperativt riskverktyg ge kirurgteam ett praktiskt beslutsstöd baserat på data. Innan en äldre person går in i operationssalen kan modellen tyst skanna deras rutinuppgifter och föreslå vem som kan behöva noggrannare övervakning, tidigare antibiotika eller annorlunda postoperativ vård. Den kan vägleda beslut om var patienten bör återhämta sig, till exempel på vanlig avdelning eller på en högre intensivvårdsnivå, och hjälpa sjukhus att rikta begränsade personal- och vårdresurser mot dem som mest sannolikt utvecklar allvarlig infektion. Studien hävdar inte att modellen är redo för daglig användning ännu, men visar att maskininlärning kan omvandla information som redan samlas in vid akutkirurgi till meningsfulla tidiga varningar om sepsrisken.

Citering: 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

Nyckelord: postoperativ sepsis, akutkirurgi, äldre patienter, maskininlärning, riskprediktion