Utvärdering av djupinlärningsmodeller för sepsisprediktion på IVA vid distributionsskifte: en retrospektiv kohortstudie över flera centrum

Varför tidig varning för infektion är viktig

Sepsis är en snabbt förlöpande, livshotande reaktion på infektion och en av de vanligaste dödsorsakerna på intensivvårdsavdelningar. Sjukhus vänder sig till artificiell intelligens för att upptäcka subtila varningstecken i monitorer och laboratorietester timmar innan sepsis blir uppenbart för läkare. Men det finns en hake: en algoritm som fungerar bra på ett sjukhus fungerar ofta sämre på ett annat, eftersom patienter, utrustning och journalföring skiljer sig åt mellan platser. Den här studien ställer en praktisk fråga för vård i verkliga miljöer: med tanke på dessa skillnader, vilket är det smartaste sättet att återanvända eller anpassa en modell för sepsisprediktion när man inför den på en ny IVA?

Hur sjukhusdata tyst kan förändras

Forskarna började med att visa hur olika intensivvårdsdata kan se ut mellan sjukhus. De jämförde tre stora IVA-databaser från USA och Schweiz, alla noggrant harmoniserade för att följa samma vitala tecken och laboratorievärden över tid. Även efter denna harmonisering hade många av de 48 uppmätta signalerna—såsom blodtryck, syrenivåer och vissa blodvärden—tydligen olika mönster mellan platserna. Statistiska tester visade att i varje sjukhuspar följde dussintals variabler skilda fördelningar, och vissa variabler uppträdde unikt i varje dataset. I stora drag liknade de två amerikanska datasetten varandra mer än de liknade det schweiziska, vilket understryker att nationella vårdrutiner och mätvanor lämnar ett fingeravtryck i data som algoritmer måste tolka.

Test av AI över flera intensivvårdsavdelningar

Med dessa skillnader konstaterade tränade teamet tre typer av djupinlärningsmodeller för att förutsäga sepsis ungefär sex timmar innan den formellt diagnostiserades. De testade sedan vad som händer när en modell som tränats på en IVA används direkt på en annan. Överlag överfördes modellerna ganska väl, särskilt när mål-IVA:n hade mycket lite egna data. Till exempel, när endast en liten andel lokala journaler var tillgänglig, överträffade användning av en förtränad modell från annan plats att träna en ny modell från grunden. Konvolutionella neurala nätverk var mest stabila över platser. När mer lokal data tillfördes ökade prestandan stadigt och nådde så småningom en platå, där vissa sjukhus (särskilt det stora amerikanska multicenterdatasetet) var lättare att modellera än andra.

Att prova olika sätt att flytta en modell

Nästa steg var att författarna jämförde praktiska strategier för att driftsätta dessa modeller när ett sjukhus gradvis samlar på sig egna data. De undersökte fem alternativ: att helt enkelt återanvända den ursprungliga modellen som den är; finjustera endast dess sista lager; att reträna alla dess lager fullt ut med lokal data; att träna en helt ny modell enbart på lokal data; och två former av "domänanpassning" som uttryckligen får modellens interna egenskaper från käll- och mål-sjukhusen att bättre överensstämma. De grupperade mål-sjukhusen i små, medelstora och stora dataprofiler och upprepade jämförelsen över flera källa–mål-par och modelltyper. Detta systematiska tillvägagångssätt efterliknade verkliga utrullningar, från en liten landsbygds-IVA med några få fall till ett nationellt nätverk som poolar tiotusentals vårdtillfällen.

Vad som fungerar bäst vid olika datamängder

Resultaten utmanar den vanliga vanan att förlita sig på enkel finjustering. Under de flesta förhållanden låg finjustering ofta efter andra metoder. När mål-IVA:n endast hade ett litet antal fall var det bästa alternativet att initialisera från den externa modellen och därefter reträna alla dess lager på den lokala datan; att kombinera källa- och måldata till en gemensam träningspool (fusion) var en nära tvåa. För medelstora dataset gav domänanpassningsmetoder—här tekniker som styr modellen så att fenomen i funktionerna från båda sjukhusen överlappar mer—de mest tillförlitliga förbättringarna, genom att höja diskriminationsmått samtidigt som variabiliteten hölls låg. När mål-IVA:n hade samlat en stor mängd data motsvarade eller överträffade modeller som tränats helt eller till stor del på den lokala datan, ibland med ytterligare fusion, alla överföringsbaserade angreppssätt.

Vad detta betyder för patientvården

För icke-specialister är huvudbudskapet att det inte finns en universallösning för att driftsätta AI för sepsisscreening över sjukhus. Eftersom varje IVA har sin egen "dataaccent" kan det att helt enkelt importera en modell och knuffa dess sista lager—en vanlig genväg—slösa bort prestanda eller till och med vilseleda kliniker. Istället föreslår studien en enkel spelplan: i mycket datafattiga miljöer, börja från en extern modell och reträna den grundligt; när fler lokala fall samlas, växla till domänmedveten träning som tar hänsyn till skillnader mellan sjukhus; och när stora lokala dataset finns, prioritera modeller som huvudsakligen byggts på den lokala erfarenheten. Att följa dessa principer kan hjälpa sjukhus att få sepsisprediktionsverktyg i drift snabbare, samtidigt som deras varningar blir mer pålitliga och bättre anpassade till deras egna patienter.

Citering: Tranchellini, F., Farag, Y., Jutzeler, C. et al. Evaluating deep learning sepsis prediction models in ICUs under distribution shift: a multi-centre retrospective cohort study. npj Digit. Med. 9, 306 (2026). https://doi.org/10.1038/s41746-026-02364-4

Nyckelord: sepsisprediktion, intensivvård, djupinlärning, domänanpassning, distributionsskifte